เปรียบเทียบวิธี

	การวิเคราะห์ความรู้สึกแบบกึ่งมีผู้สอน	การจำแนกประเภทข้อความแบบกึ่งมีผู้สอนโดยใช้ BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2002–2008	2019–2020
ผู้ริเริ่ม	Zhu, X.; Pang, B. & Lee, L. (foundational works)	Multiple groups (Xie et al.; Chen et al.; Devlin et al. for BERT base)
ประเภท	Semi-supervised classification	Semi-supervised fine-tuning of pre-trained transformer
แหล่งต้นตำรับ	Zhu, X. (2005). Semi-Supervised Learning Literature Survey. Technical Report 1530, Computer Sciences, University of Wisconsin-Madison.	Xie, Q., Dai, Z., Hovy, E., Luong, T., & Le, Q. (2020). Unsupervised Data Augmentation for Consistency Training. Advances in Neural Information Processing Systems (NeurIPS), 33, 27780–27792.
ชื่อเรียกอื่น	SSSA, semi-supervised opinion mining, label-propagation sentiment classification, self-training sentiment analysis	Semi-supervised BERT, BERT SSL Classification, BERT with Unlabeled Data, BERT Semi-supervised Fine-tuning
ที่เกี่ยวข้อง	4	6
สรุป	Semi-supervised sentiment analysis combines a small set of manually labeled text samples with a large pool of unlabeled text to train opinion classifiers. By propagating sentiment signals from labeled seeds to unlabeled data through self-training, label propagation, or consistency regularization, the approach achieves competitive accuracy without the cost of labeling large corpora.	Semi-supervised BERT-based classification fine-tunes a pre-trained BERT encoder on a small pool of labeled text examples while simultaneously leveraging a much larger body of unlabeled text — via consistency training, pseudo-labeling, or data augmentation — to produce high-quality classifiers even when manual annotation is scarce.