Półnadzorowana analiza sentymentu
Półnadzorowana analiza sentymentu łączy niewielki zbiór ręcznie etykietowanych próbek tekstu z dużą pulą nieetykietowanego tekstu w celu trenowania klasyfikatorów opinii. Poprzez propagowanie sygnałów sentymentu z etykietowanych danych początkowych do danych nieetykietowanych za pomocą samouczenia (self-training), propagacji etykiet (label propagation) lub regularyzacji spójności (consistency regularization), podejście to osiąga konkurencyjną dokładność bez kosztów etykietowania dużych korpusów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Sentiment Analysis (Label Propagation and Self-Training for Opinion Mining). ScholarGate. https://scholargate.app/pl/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.
- Klasyfikacja oparta na BERTUczenie głębokie↔ compare
- Model tematyczny LDAUczenie głębokie↔ compare
- Samonadzorowana analiza sentymentuUczenie głębokie↔ compare
- Klasyfikacja półnadzorowana oparta na BERTUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →