دانلود ترجمه مقاله طبقه بندی احساسات اجتماعی از طریق مدل آنتروپی بیشینه سطح موضوع

1. مقدمه 2. مطالعات مرتبط 2.1. تحلیل احساسات 2.2. طبقه بندی احساسات اجتماعی 2.3. مدلسازی موضوع در متن کوتاه 3. مدل TME 3.1. استخراج موضوع 3.2. توصیف مدل 3.3. تقریب پارامتر 4. آزمایشات 4.1. مجموعه داده ها 4.2. طراحی آزمایشی 4.3. مقیاس های ارزیابی 4.4. تاثیر تعداد تکرارها 4.5. مقایسه با خطوط پایه 5. نتیجه گیری

چکیده – با پیشرفت سریع وب2.0، شناسایی احساسات تعبیه شده در نظرات ارائه شده توسط کاربران در وب اجتماعی، الزامی و ارزشمند است. با استفاده از حجم بالای پیام های احساسی می توانیم ترجیحات کاربران را به منظور بهبود فروش ،توسعه استراتژی های بازاریابی و بهینه سازی زنجیره تامین، برای تجارت الکترونیکی به دست آوریم. اطلاعات، در وب اجتماعی اغلب کوتاه هستند (همانند توئیت ها، سوال ها، پیام های لحظه ای و عناوین خبری). پیام های کوتاه از پیام های عادی به دلیل هم رخدادهای کلمه ای پراکنده شان، متفاوت هستند تا تلاش، برای اعمال مدل های طبقه بندی احساسات اجتماعی را متوقف کنند. بیشتر روش های موجود بر استفاده از احساسات اجتماعی کلمات یا ارتباط دادن احساسات اجتماعی با موضوع های برجسته که از اسناد عادی آموخته می شوند، متمرکز هستند. در این مقاله، یک مدل آنتروپی بیشینه سطح موضوع (TME) را برای طبقه بندی احساسات اجتماعی متون کوتاه پیشنهاد می کنیم. TME، یک ویژگی سطح موضوع را از طریق مدلسازی موضوعات برجسته، برچسب اجتماعی و ظرفیت (به صورت نمره داده شده توسط تعداد زیادی خواننده)، تولید می کند. مسئله بیش برازندگی در اساس آنتروپی بیشینه نیز با نگاشت ویژگی بر فضای مفهوم، ساده سازی شده است. یک آزمایش، در اسناد کوتاه جهان حقیقی، اثربخشی TME را در طبقه بندی احساسات اجتماعی، در کلمات پراکنده، اعتبارسنجی می نماید.

With the rapid proliferation of Web 2.0, the identification of emotions embedded in user-contributed comments at the social web is both valuable and essential. By exploiting large volumes of sentimental text, we can extract user preferences to enhance sales, develop marketing strategies, and optimize supply chain for electronic commerce. Pieces of information in the social web are usually short, such as tweets, questions, instant messages, messages, and news headlines. Short text differs from normal text because of its sparse word co-occurrence patterns, which hampers efforts to apply social emotion classification models. Most existing methods focus on either exploiting the social emotions of individual words or the association of social emotions with latent topics learned from normal documents. In this paper, we propose a topic-level maximum entropy (TME) model for social emotion classification over short text. TME generates topic-level features by modeling latent topics, multiple emotion labels, and valence scored by numerous readers jointly. The overfitting problem in the maximum entropy principle is also alleviated by mapping the features to the concept space. An experiment on real-world short documents validates the effectiveness of TME on social emotion classification over sparse words.

بخشی از ترجمه مقاله (صفحه 13 و 14 فایل ورد ترجمه)