Phân tíh ảm xú sử dụng áh tiếp ận họ huyển đổi

Nowaday, It is currently applied to inmany different fields in real world as: market analysis, financial, review customer, .. machine learning approaches for sentiment ana

LỜI CAM ĐOAN Tôi  ng Quang  xin cam kt Lut nghip cơng trình nghiên cu ca bi s ng dn ca PGS.TS Nguyễn Thị Kim Anh, Vin CNTTi h c Bách Khoa Hà Ni Các kt qu nên Lut nghi p trung th ca bt k cơng trình khác Hà N Hc viên thc hin lu ng Quang 1706674950328940afb07-3926-46c6-ac64-b86efd6d0ed1 17066749503287af929fc-b688-436c-93db-b1d031d81126 1706674950328aaa64989-4a92-4851-ba8c-fb46e570d7ca Lời cảm ơn c g i li cn th y giáo, cô giáo thuc ng i hc Bách Khoa Hà N c bit th y giáo, cô giáo thu c Vin Công ngh Thông tin Truyn thông Các th  cho em nhng kin thc quý báu thi gian em hc tp nghiên c u tng  c gi li c c bi n PGS.TS Nguyn Kim Anh Cơ  dn tn tình, cho em nh ng kinh nghi em có th hồn thành lu  t nghi        em q trình nghiên cu hồn thi n lu ng th     i li c    n GS.TS Atsuhiro Takasu, thuc vin công ngh thông tin quc gia, Nht Tht, ch bng dn, chia s kinh nghi m nghiên cu khoa hc              n Minh Quang anh ch nghiên c u sinh, thu c vin công ngh thông tin quc gia Nhn giúp em hoàn thin lu Em xin gi li cn bè My tng lc cho em ln tic Tóm tắt nội dung Phân tích cảm xúc mt  c quan trng Nó có kh c áp dng nhi c th c t     phân tích th     ci dùng, khám nghi m pháp y Trong thc t , d liu kim tra luôn i, có th khơng n m min vi tp hun luyn Vi nhng ng hp này, cách ti p cn gi i quyt tốn phân tích cảm xúc          xác tốn phân tích cm xúc d m xúc vi d liu mn cc gii quyt  h ọc chuyển đổi m xác t tp d  lin, c tp d liu có phân phi xác sut biên kha, d lin ti rt phong phú, có th  có mt phn c tn d  xác cho tốn phân tích cảm xúc  Phân tích m xúc sử dụng cách tiếp cận học chuyển đổi Lu   xut m  p cn m  gii quyt hi u qu tốn phân tích c m xúc Lu xut mt thut toán hc chuyi s d ng tp d liu cn t  xác c a tốn phân tích cm xúc mt min khác Ngồi lu xut m      có th s dng ca tp d lin m i, hai thut toán  quynh t p d liu cm xúc tt nh t nên hc  quynh xem tp d lic s d ha lu Lu gii quyt tốn phân tích c m xúc Lu xut mc chuyi mi vi chic hc tp d liu n tim bo sau trình hc xác su t c a tp hu n luyn tp kim tra g n nht Lu   xut m    nh khong cách ca tp d liu mt s ng dng ca Th nghim ch r xuc kt qu tn thut toán hc chuyn i v t toán hmáy vector h tr (SVMsng hp tp hun luyn ca d li nghèo nàn,  xây dc mt hình phân loi tt cho tp d liu mi Abstract Sentiment Analysis is an important field Nowaday, It is currently applied into many different fields in real world as: market analysis, financial, review customer,  However, the domain of target datas always change, and it can be inconsistent with model built by source domain Therefore, the traditional machine learning approaches for sentiment analysis problem might not be efficient for this case Within my knowledge, transfer learning can improve the accuracy by using very rich existed data sets, evenwhen their marginal probability distribution are different with new test sets Because of the above reasonsSentiment Analysis using Transfer Learning My thesis proposed a novel approach to solve sentiment analysis problem Specifically, I have proposed a method to solve classisify polarity problem (one of sub-problems of sentiment analysis) that use existed sentiment data set to improve the accuracy on new domains of datasetare as follows We present a novel approach to a formalism for solving the problem by adopting transfer learning We propose a new method that uses a existed sentiment data set, which is labeled to improve performance We propose a measure and a threshold to decide whether the system will learn a data set or not The experiments show that my proposal has better result than inductive transfer learning, and other machine learning algorithms such as Support vector machin (SVMs) when new training set is not big enough to construct model to classify new data set Mục Lục Phn I: Phn m u 12 Lý ch tài .12 Lch s nghiên cu 12 3, Mu ca lu ng, phm vi nghiên cu 14 Tóm tt lu 14 Phn II: Ni dung 17 m xúc 17 Các nhim v ca tốn phân tích cm xúc .17 c 18 c chuyi 28 Lch s ca hc chuyi 28 Các ký hi .31 Phân loi k thut hc chuyi 33 ng hc chuyi cho toán phân loi cm xúc cc 41 Thut toán AdaBoost 41 Thut toán TrAdaBoost 44 Thut toán MulTrAdaBoost 47 Thut toán Unilateral  TrAdaBoost .50    xut 54 t th nghi 59 Phn III: Kt lun 69 Phn IV: Danh m c tài liu tham kho .70 Danh sách từ viết tắt thuật ngữ SVMs SMSs MaxEntropy SA LSA AdaBoost TrAdaBoost MMD MDS over-fitting WeakLearn LS-SVM RKHS OC PC SPD Support Vector Machines Short Message Services Maximum Entropy Sentiment Analysis Latent Sentiment Analysis Adaptive Boosting Transfer AdaBoost Maximum Mean Discrepancy Mean Discrepancy of Set Over fitting Weak Learner Least Square Support Vector Machine Reproducing Kernel Hillbert Space Opinion Classification Polarity Classification Symmetric Positive Define Danh sách hình vẽ S khác ca tin trình h c (a) hc máy truyn thng (b) hc chuyi  29 Tng quan v s khác bit ca loi hc chuy 37 Thut toán AdaBoost 44 Thut toán TrAdaBoost 47 Thut toán MulTrAdaBoost 50 Chic hc ca TrAdaBoost MulTrAdaBoost 51 Chic hc ca Unilateral – TrAdaBoost  52 Thut toán Unilateral  MulTrAdaBoost 54 Mi liên h khong cách phân phi kh  58 10 Thut tốn quynh xem có nên hc  hay khơng 58 11 Thut tốn  chn tp d liu tt nht  ng vi mi 59 12    xác ca Unilateral – TrAdaBoost MulTrAdaBoost 65 13    xác ca Unilaterial – TrAdaBoost thut toán h 10 67