基于线性核极限学习机的情感分类

• 作者: 孙尚迪 顾晓东
• 来源期刊: 微型电脑应用
• 学科: 工学
• 关键词: 情感分类 词条加权 支撑向量机 极限学习机 线性核
• 年，卷（期）: 2017,（1）
• 所属期刊栏目: 基金项目
• 页码范围: 1-4,8
• 页数: 5页
• 分类号: TP311
• 字数: 4808字
• 语种: 中文

摘要

随着网络电影数据库和电子商务网站的流行,用户的评论彰显出越来越大的价值.因此,意见挖掘或情感分析是目前自然语言处理和机器学习领域的研究热点之一.情感分类是一个具有代表性的情感分析应用,支撑向量机(Support Victor Machine,SVM)通常被用作为该应用的基准分类方法.首次将线性核极限学习机(线性核ELM)应用于情感分类,并在常用的情感分类和主观/客观分类数据集上,比较了不同的词条加权策略情况下线性核ELM和SVM的分类性能.实验结果显示线性核ELM在大数据集(10000样本)上有着更高的分类准确率率,在较小数据集(2000样本)上和SVM相当.进一步的,我们建立了自己的亚马逊智能手机评论集(Amazon Smartphone Review,ASR)——由产品评论构成的非平衡数据集(1731正面样本,830负面样本).比较结果显示线性核ELM在不平衡数据集上也是一个具有竞争力的情感分类方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	顾晓东	复旦大学电子工程系	29	320	12.0	17.0
2	孙尚迪	复旦大学电子工程系	1	0	0.0	0.0