Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2016 | OriginalPaper | Buchkapitel

Extreme Learning Machine for Multi-class Sentiment Classification of Tweets

verfasst von : Zhaoxia Wang, Yogesh Parth

Erschienen in: Proceedings of ELM-2015 Volume 1

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The increasing popularity of social media in recent years has created new opportunities to study and evaluate public opinions and sentiments for use in marketing and social behavioural studies. However, binary classification into positive and negative sentiments may not reveal too much information about a product or service. This research paper explores the multi-class sentiment classification using machine learning methods. Three machine learning methods are investigated in this paper to examine their respective performance in multi-class sentiment classification of tweets. Experimental results show that Extreme Learning Machine (ELM) achieves better performance than other machine learning methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Efficient Batch Parallel Online Sequential Extreme Learning Machine Algorithm Based on MapReduce
Literatur
1.
Pang, B., Lee, L.: Opinion mining and sentiment analysis. Found. Trends Inf. Retr. 2(1–2), 1–135 (2008)CrossRef
2.
Liu, B., Zhang, L.: A survey of opinion mining and sentiment analysis. In: Mining Text Data, pp. 415–463. Springer (2012)
3.
Wang, Z., Tong, V.J.C., Chan, D.: Issues of social data analytics with a new method for sentiment analysis of social media data. In: 2014 IEEE 6th International Conference on Cloud Computing Technology and Science (CloudCom 2014), pp. 899–904. IEEE (2014)
4.
Wang, Z., Tong, V.J.C., Chin, H.C.: Enhancing machine-learning methods for sentiment classification of web data. In: Information Retrieval Technology, pp. 394–405. Springer (2014)
5.
Huang, G.-B.: Extreme learning machine: theory and applications. Neurocomputing 70(1), 489–501 (2006)CrossRef
6.
Huang, G.-B., Bai, Z., Kasun, L.L.C., Vong, C.M.: Local receptive fields based extreme learning machine. IEEE Comput. Intell. Mag. 10(2), 18–29 (2015)CrossRef
7.
Liang, N.-Y., Saratchandran, P., Huang, G.-B., Sundararajan, N.: Classification of mental tasks from eeg signals using extreme learning machine. Int. J. Neural Syst. 16(01), 29–38 (2006)CrossRef
8.
Handoko, S.D., Keong, K.C., Soon, O.Y., Zhang, G.L., Brusic, V.: Extreme learning machine for predicting hla-peptide binding. In: Advances in Neural Networks-ISNN 2006, pp. 716–721. Springer (2006)
9.
Yeu, C.-W., Lim, M.-H., Huang, G.-B., Agarwal, A., Ong, Y.-S.: A new machine learning paradigm for terrain reconstruction. IEEE Geosci. Remote Sens. Lett. 3(3), 382–386 (2006)CrossRef
10.
Kim, J., Shin, H., Lee, Y., Lee, M.: Algorithm for classifying arrhythmia using extreme learning machine and principal component analysis. In: Engineering in Medicine and Biology Society: EMBS 2007. 29th Annual International Conference of the IEEE, pp. 3257–3260. IEEE (2007)
11.
Wang, G., Zhao, Y., Wang, D.: A protein secondary structure prediction framework based on the extreme learning machine. Neurocomputing 72(1), 262–268 (2008)CrossRef
12.
Chaovalit, P., Zhou, L.: Movie review mining: a comparison between supervised and unsupervised classification approaches. In: Proceedings of the 38th Annual Hawaii International Conference on System Sciences. HICSS’05, pp. 112c–112c. IEEE (2005)
13.
Galitsky, B., McKenna, E.W.: Sentiment extraction from consumer reviews for providing product recommendations, May 12, 2008, US Patent App. 12/119,465
14.
Hu, M., Liu, B.: Mining and summarizing customer reviews. In: Proceedings of the tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 168–177. ACM (2004)
15.
Si, J., Mukherjee, A., Liu, B., Li, Q., Li, H., Deng, X.: Exploiting topic based twitter sentiment for stock prediction. In: ACL (2), pp. 24–29 (2013)
16.
Chi, L., Zhuang, X., Song, D.: Investor sentiment in the chinese stock market: an empirical analysis. Appl. Econ. Lett. 19(4), 345–348 (2012)CrossRef
17.
Dalton, L.A., Dougherty, E.R.: Optimal classifiers with minimum expected error within a bayesian framework part ii: properties and performance analysis. Pattern Recognit. 46(5), 1288–1300 (2013)CrossRefMATH
18.
Muralidharan, V., Sugumaran, V.: A comparative study of naïve bayes classifier and bayes net classifier for fault diagnosis of monoblock centrifugal pump using wavelet analysis. Appl. Soft Comput. 12(8), 2023–2029 (2012)CrossRef
19.
Pappas, E., Kotsiantis, S.: Integrating global and local application of discriminative multinomial bayesian classifier for text classification. In: Intelligent Informatics, pp. 49–55. Springer (2013)
20.
Chang, C.-C., Lin, C.-J.: Libsvm: a library for support vector machines. ACM Trans. Intell. Syst. Techn. (TIST) 2(3), 27 (2011)
21.
Byvatov, E., Fechner, U., Sadowski, J., Schneider, G.: Comparison of support vector machine and artificial neural network systems for drug/nondrug classification. J. Chem. Inf. Comput. Sci. 43(6), 1882–1889 (2003)CrossRef
22.
Huang, G.-B., Zhu, Q.-Y., Siew, C.-K.: Extreme learning machine: a new learning scheme of feedforward neural networks. In: 2004 IEEE International Joint Conference on Neural Networks. Proceedings, vol. 2, pp. 985–990. IEEE (2004)
23.
Huang, G.-B.: An insight into extreme learning machines: random neurons, random features and kernels. Cogn. Comput. 6(3), 376–390 (2014)CrossRef
24.
Rao, C.R., Mitra, S.K.: Generalized Inverse of Matrices and Its Applications, vol. 7. Wiley, New York (1971)
25.
Maršík, J., Bojar, O.: Trtok: a fast and trainable tokenizer for natural languages. Prague Bull. Math. Linguist. 98, 75–85 (2012)
26.
27.
Bergstra, J., Yamins, D., Cox, D.D.: Hyperopt: a python library for optimizing the hyperparameters of machine learning algorithms (2013)
28.
Bergstra, J.S., Bardenet, R., Bengio, Y., Kégl, B.: Algorithms for hyper-parameter optimization. In: Advances in Neural Information Processing Systems, pp. 2546–2554 (2011)
Metadaten
Titel
Extreme Learning Machine for Multi-class Sentiment Classification of Tweets
verfasst von
Zhaoxia Wang
Yogesh Parth
Copyright-Jahr
2016
Buch
Proceedings of ELM-2015 Volume 1

Print ISBN: 978-3-319-28396-8

Electronic ISBN: 978-3-319-28397-5

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-28397-5_1