4 Học véc-tơ biểu diễn từ cho phân tích quan điểm theo khía cạnh
3.7 Các kết quả thực nghiệm và so sánh các mơ hình trong việc xác định
đề xuất. Tầng này có khả năng bắt được các mối quan hệ giữa các khía cạnh vì vậy mà biểu diễn thơng tin mức khía cạnh tốt hơn cho mơ hình đề xuất.
Bảng 3.7: Các kết quả thực nghiệm và so sánh các mơ hình trong việc xác định hạngkhía cạnh khía cạnh
Phương pháp ∆aspect Paspect Preview LRNN 0.742 0.432 0.667 LRNN-ASR 0.703 0.497 0.675 FULL-LRNN-ASR 0.596 0.512 0.741
Kết quả đạt được của mô hình xác định trọng số khía cạnh chung, chỉ cung cấp cho chúng ta thơng tin mức độ quan trọng khía cạnh chung, khơng cung cấp cho chúng ta thông tin trọng số khía cạnh của từng sản phẩm/dịch vụ.
Để đánh giá chất lượng mơ hình, ba phương pháp liên quan được sử dụng. Phương pháp thứ nhất là mơ hình hồi quy xác suất LRR [1], mơ hình này xác định cả hạng và trọng số tương tự mơ hình LRNN nhưng để xác định trọng số khía cạnh chung, luận án lấy trung bình cộng trọng số khía cạnh của từng khách sạn. Ký hiệu véc-tơ trọng số cho phương pháp này làαLRR. Phương pháp thứ hai là phương pháp xác định trọng số khía cạnh chung [26] (ký hiệu là véc-tơ αF) bằng cách thống kê tần xuất xuất hiện từ thể hiện quan điểm. Phương pháp thứ ba là phương pháp LRNN, giống như với phương pháp LRR, trọng số khía cạnh chung trong phương pháp này được tính bằng cách lấy
trung bình cộng các trọng số khía cạnh trên từng sản phẩm, ký hiệu véc-tơ này làαLRNN. Dữ liệu thực nghiệm khơng cung cấp trọng số khía cạnh chung theo giả thiết, do đó luận án đánh giá chất lượng trọng số khía cạnh thơng qua sử dụng chúng trong dự đoán hạng chung. Thuật toán xếp hạng PRank [34] được lựa chọn trong các đánh giá này. Cụ thể, PRank được dùng trong pha huấn luyện, khi đạt được các tham số luận án sử dụng chúng cho dự đoán hạng chung của văn bản đánh giá. Hạng chung của văn bản đánh giá được tính theo cơng thức 3.1. Bảng 3.8 trình bày độ lệch giữa hạng chung dự đoán được so với hạng chung theo giả thiết. Chúng ta thấy rằng trường hợp dự đoán hạng chung sử dụngαNNAW s+PRank thực hiện ít lỗi nhất, điều này có nghĩa là trọng số khía cạnh chungαNNAW scó chất lượng nhất.
Bảng 3.8: Kết quả so sánh chất lượng trọng số khía cạnh chungPhương pháp ∆2Overall