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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Database Performance Tuning and Query Optimization Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Identification of Sentiment Labels Based on Self-training

verfasst von : Zhaowei Qu, Chunye Wu, Xiaoru Wang, Yanjiao Zhao

Erschienen in: Data Mining and Big Data

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Traditional methods for sentiment classification based on supervised learning require a large amount of labeled data for training. However, It is hard to obtain enough labeled data because it can be too expensive compared with unlabeled data. In this paper, we propose an identification of sentiment labels based on self-training (ISLS) method that can make full use of the large number of labeled data. We extract sentiment expressions based on sentiment seeds by self-training, learn sentiment words on unlabeled data and annotate unlabeled data. The sentiment expressions include processing and extracting for the negative meaning of the text. The ISLS method avoids the subjective problems of manual annotation. Experiments validate the effectiveness of the proposed ISLS method.

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
Vorheriges Kapitel A Generic Model Based on Multiple Domains for Sentiment Classification
Nächstes Kapitel A Self-training Method for Detection of Phishing Websites
Fußnoten
Literatur
1.
Pang, B., Lee, L.: Opinion mining and sentiment analysis. Found. Trends Inf. Retrieval 2(1–2), 1–135 (2008)CrossRef
2.
Rosenberg, C., Hebert, M., Schneiderman, H.: Semi-supervised self-training of object detection models. In: IEEE Workshops on Application of Computer Vision, pp. 29–36. IEEE Computer Society (2005)
3.
Blum, A., Chawla, S.: Learning from labeled and unlabeled data using graph mincuts. In: Proceedings of the 18th International Conference on Machine Learning (2001)
4.
Zhu, X., Ghahramani, Z.: Learning from labeled and unlabeled data with label propagation. School Comput. Sci., Carnegie Mellon Univ., Pittsburgh, PA, Technical Report, CMU-CALD-02-107 (2002)
5.
Hassan, A., Abu-Jbara, A., Jha, R., Radev, D.: Identifying the semantic orientation of foreign words. In: Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: shortpapers (ACL-2011) (2011)
6.
Deng, Z.H., Yu, H., Yang, Y.: Identifying sentiment words using an optimization model with L 1, regularization. In: Thirtieth AAAI Conference on Artificial Intelligence, pp. 115–121. AAAI Press (2016)
7.
Pang, B., Lee, L., Vaithyanathan, S.: Thumbs up?: sentiment classification using machine learning techniques. In: Proceedings of EMNLP, Philadelphia, PA, pp. 79–86 (2002)
8.
Zhu, X., Ghahramani, Z., Mit, T.J.: Semi-supervised learning with graphs. In: International Joint Conference on Natural Language Processing, pp. 2465–2472 (2005)
9.
Maas, A.L., Daly, R.E., Pham, P.T., et al.: Learning word vectors for sentiment analysis. In: Meeting of the Association for Computational Linguistics: Human Language Technologies, pp. 142–150. Association for Computational Linguistics (2011)
10.
Hatzivassiloglou, V., McKeown, K.: Predicting the semantic orientation of adjectives. In: Proceedings of the Eighth Conference on European Chapter of the Association for Computational Linguistics, pp. 174–181 (1997)
11.
Turney, P., Littman, M.: Measuring praise and criticism: inference of semantic orientation from association (2003)CrossRef
12.
Kaji, N., Kitsuregawa, M.: Building lexicon for sentiment analysis from massive collection of html documents. In: Proceedings of the Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, pp. 1075–1083 (2007)
13.
Qiu, G., Liu, B., Bu, J., Chen, C.: Expanding domain sentiment lexicon through double propagation. In: Proceedings of the 21st International Jiont Conference on Artifical intelligence, pp. 1199–1204 (2009)
14.
Chen, L., Wang, W., Nagarajan, M., et al.: Extracting diverse sentiment expressions with target-dependent polarity from twitter. In: International AAAI Conference on Weblogs and Social Media (2012)
15.
Zhu, X., Kiritchenko, S., Mohammad, S.: NRC-Canada-2014: recent improvements in the sentiment analysis of tweets. In: International Workshop on Semantic Evaluation, pp. 443–447 (2014)
16.
Mikolov, T., Chen, K., Corrado, G., et al.: Efficient estimation of word representations in vector space. Comput. Sci. (2013)
17.
Mikolov, T., Sutskever, I., Chen, K., et al.: Distributed representations of words and phrases and their compositionality. In: International Conference on Neural Information Processing Systems, pp. 3111–3119. Curran Associates Inc. (2013)
18.
Turney, P., Littman, M.: Measuring praise and CRIT-ICISM: inference of semantic orientation from association (2003)
19.
Bo, P., Lee, L.: Seeing stars: exploiting class relationships for sentiment categorization with respect to rating scales. In: Meeting on Association for Computational Linguistics, pp. 115–124. Association for Computational Linguistics (2005)
Metadaten
Titel
Identification of Sentiment Labels Based on Self-training
verfasst von
Zhaowei Qu
Chunye Wu
Xiaoru Wang
Yanjiao Zhao
Copyright-Jahr
2018
Buch
Data Mining and Big Data

Print ISBN: 978-3-319-93802-8

Electronic ISBN: 978-3-319-93803-5

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-93803-5_38

Premium Partner

    Bildnachweise