Flersproget sentimentanalyse
Flersproget sentimentanalyse (MSA) anvender deep learning — oftest en finjusteret flersproget sprogmodel såsom mBERT eller XLM-RoBERTa — til at klassificere sentimentpolariteten (positiv, negativ, neutral) af tekst skrevet på to eller flere sprog, hvilket muliggør meningsudvinding på tværs af sproggrupper uden at skulle opbygge separate modeller pr. sprog.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzman, F., Grave, E., Ott, M., Zettlemoyer, L., & Stoyanov, V. (2020). Unsupervised Cross-lingual Representation Learning at Scale. Proceedings of ACL 2020, 8440–8451. DOI: 10.18653/v1/2020.acl-main.747 ↗
- Barnes, J., Klinger, R., & Wubben, S. (2022). Structured Sentiment Analysis as Dependency Graph Parsing. Computational Linguistics, 48(3), 693–744. DOI: 10.18653/v1/2021.acl-long.263 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Multilingual Sentiment Analysis (Cross-Lingual Opinion Mining). ScholarGate. https://scholargate.app/da/deep-learning/multilingual-sentiment-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT-baseret klassifikationDyb læring↔ compare
- Klassifikation baseret på flersproget RoBERTaDyb læring↔ compare
- Flersprogede sætningsindlejringerDyb læring↔ compare
- RoBERTa-baseret KlassifikationDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →