Pusautomātiskā sentimenta analīze
Pusautomātiskā sentimenta analīze apvieno nelielu skaitu manuāli iezīmētu teksta paraugu ar lielu neiezīmētu tekstu kopumu, lai apmācītu viedokļu klasifikatorus. Izplatot sentimenta signālus no iezīmētajām sēklām uz neiezīmētiem datiem, izmantojot pašmācīšanos, iezīmju izplatīšanu vai konsekvences regulēšanu, pieeja sasniedz konkurētspējīgu precizitāti bez nepieciešamības iezīmēt lielus korpusus.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Sentiment Analysis (Label Propagation and Self-Training for Opinion Mining). ScholarGate. https://scholargate.app/lv/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.
- BERT klasifikācijaDziļā mācīšanās↔ compare
- LDA tēmu modelisDziļā mācīšanās↔ compare
- Pašuzraudzītā sentimenta analīzeDziļā mācīšanās↔ compare
- Pusautomātiskā klasifikācija, kas balstīta uz BERTDziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →