این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
International Journal of Nonlinear Analysis and Applications، جلد ۱۲، شماره ۲، صفحات ۱۷۶۹-۱۷۸۴
عنوان فارسی
چکیده فارسی مقاله
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A hybrid semi-supervised boosting to sentiment analysis
چکیده انگلیسی مقاله  In this article, we propose a hybrid semi-supervised boosting algorithm to sentiment analysis. Semi-supervised learning is a learning task from a limited amount of labeled data and plenty of unlabeled data which is the case in our used dataset. The proposed approach employs the classifier predictions along with the similarity information to assign label to unlabeled examples. We propose a hybrid model based on the agreement among different constructed classification model based on the boosting framework to assign a final label to unlabeled data. The proposed approach employs several different similarity measurements in its loss function to show the role of the similarity function. We further address the main preprocessing steps in the used dataset. Our experimental results on real-world microblog data from a commercial website show that the proposed approach can effectively exploit information from the unlabeled data and significantly improves the classification performance.
کلیدواژه‌های انگلیسی مقاله Semi-supervised learning, Sentiment Analysis, Persian Language, Boosting, Similarity Function
نویسندگان مقاله Jafar Tanha |
Electrical and Computer Engineering Department, Tabriz University, Tabriz, Iran

Solmaz Mahmudyan |
Computer Engineering Department, Payame-Noor University, Tehran, Iran

Ahmad Farahi |
Computer Engineering Department, Payame-Noor University, Tehran, Iran

نشانی اینترنتی https://ijnaa.semnan.ac.ir/article_5315_9448f0f0f4fd7fa4f3f1027d5344343c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات