Analyse de sentiments semi-supervisée
L'analyse de sentiments semi-supervisée combine un petit ensemble d'échantillons de texte étiquetés manuellement avec un grand pool de textes non étiquetés pour entraîner des classificateurs d'opinion. En propageant les signaux de sentiment des amorces étiquetées aux données non étiquetées par auto-entraînement, propagation d'étiquettes ou régularisation de cohérence, l'approche atteint une précision compétitive sans le coût de l'étiquetage de grands corpus.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Zhu, X. (2005). Semi-Supervised Learning Literature Survey. Technical Report 1530, Computer Sciences, University of Wisconsin-Madison. link ↗
- Pang, B., & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1–2), 1–135. DOI: 10.1561/1500000011 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Sentiment Analysis (Label Propagation and Self-Training for Opinion Mining). ScholarGate. https://scholargate.app/fr/deep-learning/semi-supervised-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.
- Classification basée sur BERTApprentissage profond↔ compare
- Modèle de Topics LDAApprentissage profond↔ compare
- Analyse des sentiments auto-superviséeApprentissage profond↔ compare
- Classification semi-supervisée basée sur BERTApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →