Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

41 12 0
Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

Ngày đăng: 27/01/2021, 13:50

Hình ảnh liên quan

Hình 2.1 trình bày các kết quả phân loại đạt được do Blitzer et al. [1] khi sử dụng các bộ phân lớp được huấn luyện trên một miền dữ liệu để phân loại cho các dữ liệu  thuộc  miền  khác - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Hình 2.1.

trình bày các kết quả phân loại đạt được do Blitzer et al. [1] khi sử dụng các bộ phân lớp được huấn luyện trên một miền dữ liệu để phân loại cho các dữ liệu thuộc miền khác Xem tại trang 13 của tài liệu.
Hình 2.2: Hướng tiếp cận Feature-level fusion và Classifier-level fusion, [4] Thực nghiệm cho thấy hướng tiếp cận classifier-level fusion cho kết quả tốt hơn so  với  feature-level  fusion  và  các  bộ  phân  lớp  cơ  bản  riêng  biệt  của  mỗi  miền - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Hình 2.2.

Hướng tiếp cận Feature-level fusion và Classifier-level fusion, [4] Thực nghiệm cho thấy hướng tiếp cận classifier-level fusion cho kết quả tốt hơn so với feature-level fusion và các bộ phân lớp cơ bản riêng biệt của mỗi miền Xem tại trang 17 của tài liệu.
Hình 3.1: Một số cách phân lớp dữ liệu, [7] trang 112. - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Hình 3.1.

Một số cách phân lớp dữ liệu, [7] trang 112 Xem tại trang 20 của tài liệu.
Hình 3.2: Minh hoạ phương pháp SVM, [7] trang 113. - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Hình 3.2.

Minh hoạ phương pháp SVM, [7] trang 113 Xem tại trang 21 của tài liệu.
Bảng 3.2: Một số công thức tính DeltaIDF, [12] - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Bảng 3.2.

Một số công thức tính DeltaIDF, [12] Xem tại trang 26 của tài liệu.
Bảng 3.3: Số lượng các văn bản được phân loại chính xác và không chính xác - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Bảng 3.3.

Số lượng các văn bản được phân loại chính xác và không chính xác Xem tại trang 26 của tài liệu.
Sau đây là mô hình tương tác của các module trong chương trình, gồm có 4 module chính  sau  đây:  Crawler,  Pre-processing,  KeywordFilter  &  Vectorization  và  Classification  - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

au.

đây là mô hình tương tác của các module trong chương trình, gồm có 4 module chính sau đây: Crawler, Pre-processing, KeywordFilter & Vectorization và Classification Xem tại trang 30 của tài liệu.
Bảng 5.1: Tập dữ liệu thí nghiệm - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Bảng 5.1.

Tập dữ liệu thí nghiệm Xem tại trang 34 của tài liệu.
Bảng 5.2: Độ chính xác của các bộ phân lớp - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Bảng 5.2.

Độ chính xác của các bộ phân lớp Xem tại trang 35 của tài liệu.
Bảng 5.2 trình bày độ chính xác của bộ phân lớp đạt được của phương pháp được đề ra và một số phương pháp đã được sử dụng trong các nghiên cứu khác, dùng chung  một  tập  dữ  liệu  mẫu  gồm  các  nhận  xét  về  sản  phẩm  thuộc  các  miền  books,  dvd,  e - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Bảng 5.2.

trình bày độ chính xác của bộ phân lớp đạt được của phương pháp được đề ra và một số phương pháp đã được sử dụng trong các nghiên cứu khác, dùng chung một tập dữ liệu mẫu gồm các nhận xét về sản phẩm thuộc các miền books, dvd, e Xem tại trang 35 của tài liệu.
Hình 5.1: So sánh các bộ phân lớp - Rút trích, phân loại và tổng hợp thông tin từ các phản hồi trên mạng xã hội

Hình 5.1.

So sánh các bộ phân lớp Xem tại trang 36 của tài liệu.

Tài liệu cùng người dùng

Tài liệu liên quan