雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际期刊的创新在计算机和通信工程的研究

菜单

ISSN在线(2320 - 9801)打印(2320 - 9798)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

情绪分析:当前的调查研究和技术

Jeevanandam Jotheeswaran s Koteeswaran博士
  1. 研究学者、博士VelTech RR & SR技术大学博士,印度钦奈
  2. 计算机科学与工程系,VelTech RR和博士。SR技术大学,钦奈,印度
相关文章Pubmed,谷歌学者

访问更多的相关文章国际期刊的创新在计算机和通信工程的研究

国际期刊的创新在计算机和通信工程的研究

文摘

表达意见和评论的产品和服务雷竞技苹果下载在网络博客、反馈形式;有必要开发方法来自动分类,衡量他们对产品识别潜在的情绪。分析舆论情绪表达的数据挖掘的极性(OM)。它是一个系统,识别和分类的意见/情绪代表电子文本。经济和市场营销研究依赖于精确的方法来预测情绪的观点从互联网和在线预测客户的偏好。OM有许多步骤,每一步的技术。本研究确保全面调查OM相关产品评论,用于情绪分类和分类算法。雷竞技苹果下载

关键字
意见挖掘(OM)、情绪分析、语义,机器学习

我的介绍。
意见是一个大多数人的判断或信念形成具体的事情,不是基于事实/知识。意见通常是指一个人认为什么东西或意见是一个主观的信念,和情感的结果或事实的解释[1]。意见挖掘(OM),也称为情绪分析,是一种自然语言处理对产品或主题发现公众情绪。OM,情绪分析工具¢€•过程一组搜索结果对于一个给定的项目,生成产品属性(质量、特性等)和聚合opinionA¢€–。OM是自动提取知识从别人意见的一个特定的主题/问题。它包括收集和审查意见对服务或产品在博客、微博、评论andcomments。雷竞技苹果下载情感分析是有用的对经济和市场营销等营销策略,可以判断一个新产品的成功推出,确定哪些产品或服务版本是受欢迎,还确定人口喜欢特定的特性。
面临的一些挑战情绪分析,认为词是积极的在一个情况下可以在另一种情况是负的,不是由不同的人表达了类似的意见。大多数评论雷竞技苹果下载都有积极和消极的评论和分析句子的句子。但更多的非正式的twitter或博客等媒体,人们更有可能以相同的句子组合不同的意见可能是也可能不是很容易理解,但是一个算法很难分析[2]。
随着社交媒体的发展(论坛讨论、评论、博客、评论和发帖在社交网站,微博,推特)在网络上,组织和个人使用决策雷竞技苹果下载内容的媒体。一般来说,整体语境极性或作家情绪对某些方面使用情绪分析确定。在情绪分类的挑战是情绪可能判断,情绪或评价对象的像一个电影,书或一个产品文档或句子或功能,标签是积极的还是消极的[3]。但是,发现和监测舆论网站和蒸馏信息是一项艰巨的任务由于不同网站的扩散。每个网站都有大量意见的文本并不总是容易破译长博客和论坛帖子。平均人类读者难以识别相关网站和提取和总结观点。因此,需要自动情绪分析系统[4]。

1.1特征提取和选择
提供一个标准的特征选择方法,消除从文档语料库减少词汇空间。特征选择[8]在文献如下:
1:信息增益(基于存在/没有一个术语在一个文档,设置一个阈值和术语用更少的信息增益删除)。
2:奇怪的比率(适用于二进制类域有一个积极的和一个负类进行分类。该算法运行在每个类和- n特性从排序列表)。
3:文档频率(措施可用语料库文档中出现的一个术语,基于阈值,计算术语被删除)。
4:互信息(词汇频繁协会在文档中选择。
特征加权机制是两种类型。它们是:
1:项存在和项频率字偶尔发生比常出现单词的更多信息。
2:词频率和逆文档频率(TFIDF)——文档是额定最高等级的词汇经常出现在一些文件和最低等级词经常出现在所有文档。
发现规律很简单,消耗更少的时间数据适合机器学习是通过删除不相关和冗余数据功能,这个过程称为特征选择。特征选择是自动计算驯良的,不同构造新的输入数据。特征选择的好处学习需要通过减少数据实现学习,提高预测准确性,契约学习知识和很容易理解。它也有较低的执行时间。
当前机器学习特征选择方法是在两个部门包装:evaluationof特性使用学习算法,通过启发式和过滤器:评价特性基于数据的总体特征。特征选择是针对一个特定的学习算法进行了优化,包装确保更好的结果对最终预测学习算法精度比过滤器。但是,作为一个学习算法评估所有功能集,包装成本运行和棘手的大型数据库与许多特性[09]。
特征选择方法,
一个¯‚·相关功能选择器(CFS)为基础,
一个¯‚·信息增益,
一个¯‚·支持向量机(SVM),
一个¯‚·主成分分析(PCA)

1.2分类意见挖掘方法
图像
提取文本的语义取向问题(所以)(文本是否积极或消极的特定主题)从确定对于单词。的假设是,在一个相关的词在文本,所以对整个文本确定。所以情绪分析方法是无监督学习,因为它不需要事先训练我的数据。Figure1.1细节的分类方法。

基于语料库的方法
流行corpus-driven方法确定词情感亲和学习他们的概率从大型语料库情感得分。单词的方法是分配一个幸福因素根据其发生频率在happylabelled博客相比总频率语料库的博客文章贴上一个¢€•happyA¢€–和一个¢€•萨达¢€–情绪注释。他们比较幸福因子的得分的话分数在列表中。

基于词典的方法
基于词典的方法使用词语词汇资源,比如网络自动获取emotion-related对情感分类。从初级开始情绪形容词,他们从词网检索相似的单词使用感官的词同义词集与情感的形容词。过程利用同义词和下位词关系词净手动定位词类似于名义情感词。情感权重自动获得从一个非常大的文本语料库以一种无监督的方式。

基于特征的意见挖掘
利用OM、3水平——文档审查评估,句子和功能水平。在文档级别评估审查,整个评审分类积极或消极根据审查意见。当评估在句子层面上,每个句子划分为积极或消极而功能水平或特性建立OM给予总结,产品特性被评论家喜欢或不喜欢。基于主要特点的OM任务包括(1)评审,识别产品特性(2)确定意见表达的评论家(积极的,消极的或中性的),(3)总结发现的信息。

1.3意见挖掘的数据
数据来源提到下面是用于定位观点和确保良好的建议为特定的应用程序。最常见的来源是博客和评论网站。

博客
随着互联网的使用,博客和博客页面增加。博客页面是一种手段来表达个人的意见。博客记录日常事件在他们的生活和表达感情,观点和情感。许多博客评论的产品,问题等。博客雷竞技苹果下载是一个源在许多情绪分析相关研究的意见。

评论网站
一个因素考虑作出决定由购买者在购买前了解以前买家的评论。别人的意见对用户购买决策的一个重要因素。用户评论在网上可用的产品或服务雷竞技苹果下载的非结构化的格式。评论家在大多数情绪分类研究的数据收集从电子商务网站www.amazon.com, www.yelp.com, www.CNET [11] download.com等等。

数据集
原始数据是可用的和广泛使用的评估数据集对于电影领域,多域情绪(MDS)数据集,www.cs.jhu.edu/mdredze/datasets/sentiment (http://),有4个类型的产品评论从受欢迎的网站像Amazon.com包括书籍、dvd、电器和厨具[12]1000年与1000年积极和负面评论的每一个领域。雷竞技苹果下载大多数工作在田间使用电影评论数据分类。

微博
微博是一种流行的交流工具在互联网用户。每天有数百万的信息出现,共同点等微博网站Twitter, Tumblr和Facebook。Twitter信息表达意见的数据源分类情绪[13]。在Twitter,信息表示为短消息被称为“微博”。表达意见的话题在微博和考虑OM。

二世。相关工作

2.1机器学习
调查覆盖技术和方法获得舆论导向的信息从文本提出的汗et al ., [14] OM相关的处理技术。这后一个系统的文献回顾过程进行调查。它专注于基于用法的机器学习技术和OM的重要性。它试图识别常用的固执己见的文档分类技术来帮助未来的研究。
一个工作在中国OM,强调挖掘在线评论的意见,提出了由张et al ., [15]。雷竞技苹果下载本文是基于机器学习的方法。使用一个真实的亚马逊CN数据集的意见,进行了对比实验研究,得出结论,该方法是有效的。尽管基于机器学习的方法优于其替代品(特别是基于SVM的方法),这些方法需要大标签的训练实例,耗费大量的时间和人力。
分类方案的预发布电影流行使用C4.5和分类器算法一部分Asad et al .,[16]的定义职位发布电影属性使用相关系数之间的关系。电影在互联网上数据使得它适合机器学习与知识发现。但是,大多数研究是针对两极分类电影或电影推荐系统根据观众的评论在各种网站。雷竞技苹果下载
审查的帮助取决于三个重要因素:评论家的专长,评论的写作风格和它的及时性是刘et al。所示,[17]。的体积可以评论和审查质量的变化是一个障碍有效审查雷竞技苹果下载使用,因为大多数有用的评论都埋在大量的低质量的评论。基于这些因素的分析,帮助预测的非线性回归模型。实证研究在IMDb影评集证明新方法是非常有效的。雷竞技苹果下载
一个新的、协作的基于模糊集合理论的滤波框架,集成了主观和客观信息提出了程和王[18]。这种方式提供了一个综合性的结果,同时也解决了传统的协同过滤(CF)系统的问题,新用户和新项目。实验表明,新方法生产高质量的建议。CF是应用于许多商业系统(比如IDDB, Netflix和其他人成功。CF系统的基本思想是基于相似用户产生推荐过去的经验。用户的选项分为目标和主题信息。前者是由普通用户和后者代表征求意见的专家(影评人)。
半自动的方法来创建斯坦伯格提出的观点在许多语言字典et al .,[19]生产高级黄金标准情绪词典第三语言两种语言自动翻译它们。词中发现目标语言单词列表可能会被用作他们的感官词两个源语言的相似。
三个像朴素贝叶斯监督机器学习算法,基于支持向量机和性格的语法模型相比情绪分类7受欢迎的旅游目的地的旅游博客上的评论在美国和欧洲,你们et al ., [20]。雷竞技苹果下载实证研究结果表明,支持向量机和语法方法优于朴素贝叶斯方法,当训练数据集有很多评论,所有3方法至少有80%的准确率。雷竞技苹果下载互联网应用发展的旅游业会导致大量的个人评论旅游相关信息在网络上。雷竞技苹果下载这些评论出现雷竞技苹果下载在论坛等形式,博客、Wiki网站或论坛。在雅虎和谷歌等搜索引擎查询功能帮助用户找到评论他们需要在特定的目的地。雷竞技苹果下载从搜索引擎返回页面超出humanvisual能力。
如何基于句法功能依赖关系探讨了提高OM性能Joshi和Penstein——玫瑰[21]。使用依赖关系三元组变换,它将他们转换为“复合退下功能”推广比常规使词汇化依赖关系的特性。一个新颖的方法从产品评论我的意见,将OM任务识别产品特性,表达意见和它们之间的关系,提出了由吴雷竞技苹果下载et al ., [22]。利用观察,大多数产品的特性是短语,短语依赖解析的概念,扩展了传统的依赖解析表达水平,介绍了。然后实现提取产品特性和意见的表达之间的关系。评估显示,挖掘任务受益从短语依赖解析。
关于在论坛文本情感分析,机器学习实验的博客,和reviewsseen万维网和用法语写的,提出了英语,荷兰Boiy和摩恩[23]。雷竞技苹果下载本文列车从一组例句或语句注释手动看作是积极的,消极的或中性的关于一个特定的实体。这是对感情表达了人们对于消费产品感兴趣。也学习和评估许多分类模型中配置一个级联管道。它涉及几个问题,输入文本嘈杂的性格,情绪归因到一个特定的实体和训练集的规模小。

2.2基于语义的
小说空间设计特征分类极性和强度的关系从生物医学文摘被Swaminathan et al ., [24]。基于语义顺序特性研究和建造在三个层面:实体,短语,和sentencein除了传统的句法特征如unigrams和三元。wrapperbased方法选择最佳特性集极性和强度预测。多级SVM分类器和SVR预测是建立在极性和强度预测,分别。两种不同的模式,即(1)和(2比2),构建多级SVM。最后,三种不同的内核函数被认为是在支持向量机分类器的不同阶段。
语义用户建模基于Twitter发布调查亚伯et al ., [25]。介绍和分析方法与相关新闻链接Twitter发布说明Twitter的活动。从微博提出和比较策略利用语义和相关新闻文章代表个人Twitter活动以一种有意义的方式,语义。大规模评估验证这种方法的好处和显示,这些方法将微博与新闻文章精度高和覆盖范围,丰富微博语义清晰而强烈影响语义社交网络用户资料建设。
SentiFrameNet,延长FrameNet,表示情绪分析提出了Ruppenhofer和Rehbein [26]。情绪分析的特点是务实为主的方法,使用浅技术的鲁棒性,但依靠临时创建的数据集和方法。深入分析的进展取决于)丰富浅描述语言的动机,丰富的信息,和b)聚焦不同的研究分支,结合资源创造协同效应在NLP与相关工作。
观点挖掘的任务建立一个表示的文本被认为是一个好辩的Peldszus和Stede[27]的目标提供文献的调查结果表示(参数图表技术)和各种自动分析过程方面。作者提供了一个合成一个计划从许多早期的方法表示相结合的优势;作者还讨论代表论点之间的关系结构和修辞文本的结构。作者观点挖掘,涵盖文学密切相关的任务是解决在计算语言学,因为他们认为这些有助于有力的论据比原型近年来矿业系统。
OM系统从相机评论挖掘有用的意见信息通过使用语义角色标注(SRL)和极性李等人提出的计算方法[28]。雷竞技苹果下载在该方法、功能和情绪词汇分别用于矿山特性和情感上的物品。最后,对比visuallypresented正面和负面的意见。
新的OM上下文敏感的文本挖掘方法支撑和推论语言建模提出了改善OMeffectiveness刘et al ., [29]。最初的实验揭示了新的推论OM方法优于单纯lexicon-based意见发现关于许多基准的措施方法。研究有助于开发有效的OM方法发现商业智能的网络知识库。新方法的意见根据情绪模式特征提取(OFESP)提出的翟et al .,[34]认为评论更高的精度和召回值的结构特点。雷竞技苹果下载OFESP、自我构建数据库的情绪模式匹配每个评论句子来获取功能,过滤冗余特性有关领域,统计数据和语义相似度的相关性。实验研究表明,OFESP精度上优于,回忆和现实世界的数据集f值。同时,基于句法分析的方法相比,OFESP执行更好的回忆和f值。
二进制语法关系或依赖的角色(BGD)用一个句子奥姆斯利瓦斯塔瓦等,讨论了[30]。在一个句子,词语排列顺序进行交流信息。一个句子的完整的意义不仅是由意义的话,但也安排它们的模式。基本上每一个字在句子具有语法与其他词语来确保正确的意义和它们被称为BGD。
将产品特征提取作为一个序列标签任务使用一个叫条件随机域的歧视学习模型(crf)提出的应对是黄et al ., [31]。创新型OM方法,利用新的语义Web-guided解决方案来提高结果通过传统的自然语言处理技术和情感分析过程提出了Penalver-Martinez et al ., [32]。提议的方法的目标是:(1)改善基于OM使用本体在特征选择阶段,和(2)情绪分析提供一种新的向量分析方法。实现的方法和测试在真实的电影review-themed场景,产生良好的结果比传统方法。

2.3其他技术
的OM框架提取消费者/客户的意见和看法,并分析他们提供具体的市场流动证明统计数据证明了Shandilya和耆那[33]。使用的软件分类、聚类和舌知识型OM提供这些功能。一种新的方法,使预测和解释集体舆论形成社会分群,Kaiser et al .,推出了[34]。计算模型来模拟集体舆论的形成来源于蚁群meta-heuristic并应用于一个模范在线社区成员的意见来确定文本挖掘的地方。Web 2.0平台确保更多的权力在信息共享和交换意见的人。增加社会互动导致出现自组织社区成员形成意见通过社会聚集的地方。这种方法相对于3方法进行验证。
系统分析框架使用韩国Twitter数据开采时间和空间趋势的品牌形象展示了曹et al ., [35]。公开朝鲜语素analyzeranalyzed韩国tweet语法,和建造韩国极性词典有名词,形容词,动词,和/或根分析每个tweet消息的情绪。情绪分类SVM和执行多项朴素贝叶斯分类器。综述了相关工作对市场预测的Nassirtoussi et al .,[36]基于online-text-mining生产通用组件的照片都有。每个系统与其他相比,确定了主要区分因素。这个比较系统分析扩展到理论和技术基础。这项工作有助于研究结构这一领域并确定具体的方面需要更多的研究。
分析了收集的数据从Twitter Aldahawi et al .,[37]从使用自动情绪进行方差分析工具与人类的分类。这种兴趣是理解用户发布信息的动机如何影响分类的质量。数据集使用微博从两个世界领先的石油公司,英国石油公司美国和沙特阿拉伯国家石油公司和其他用户,提到他们,代表西方国家和中东地区。结果显示,两种方法产生不同的积极、自然和消极的分类基于文化和关系的两家公司的海报,质疑自动化情绪分析工具对一些用户可靠性。建设一个词在英语和汉语的信(字母)和字符单词和短语分别被Chen等人[38]。无键的研究系统在一个短语获得恭敬的字符数,从许多中文文本文档。同义词发现从一个同义的过程。约50上关键字和50下关键词描述课堂教学质量在一个开放式的写作部分由学生问卷用于评估。得出关键字从文本文档时没有事先定义关键字,关键字的频率出现在文本文档,和模型适用于其他领域。
梁等。[39]建议挖掘用户的意见项目根据项目由用户贡献的专家和大众分类法分类。它探索个性化项目根据用户的意见建议。真正的单词来自Amazon.com的数据集和CiteULike实验证明了提出方法的有效性。web 2.0项大众分类法或标记信息的信息。项大众分类法具有丰富的意见信息的用户项分类和描述,并用作OM的另一个信息来源。

三世。总结
图像

四。结论
意见挖掘(OM)是自然语言处理的处理跟踪人们的心情有关产品或主题。OM结合信息检索语言技术和计算处理文档的意见。该领域的主要目标是解决问题的相关意见产品,政治在新闻组帖子和评论网站。它提供了自动提取意见,情感和情绪在文本跟踪的态度和感觉。人们通过写博客表达观点、评论、评论和微博上各种各样的话题。雷竞技苹果下载跟踪产品和品牌和决定如果他们积极的还是消极的是在网上完成的。OM有稍微不同的任务和很多名字像意见提取、情绪分析,情绪采矿、影响分析、主观分析,情感分析和评论挖掘。但是,他们都受到情绪分析或OM。
本研究定义舆论情绪分析上下文的概念,OM的主要任务是一个框架。情绪分析处理评价意见或意见类型暗示积极或消极的情绪。雷竞技苹果下载评论显示,不同的特性和分类算法结合有效地克服个人的缺点和受益于彼此的优点。最后他们增强信心的分类性能。需要更多的工作在未来提高性能的措施。使用其他语言的主要挑战是,处理表达式和产生一个否定意见总结基于产品特性/属性,处理隐式产品功能,复杂的句子/文档,等等。未来的研究可能是专用的挑战。

引用
  1. Padmaja, S。,& Fatima, S. S. (2013). Opinion Mining and Sentiment Analysis–An Assessment of Peoples’ Belief: A Survey. International Journal.
  2. Vinodhini G。,&Chandrasekaran, R. M. (2012). Sentiment analysis and opinion mining: a survey. International Journal, 2(6).
  3. 大餐,。,Chandak, D., &Zadgaonkar, A. (2013). Opinion Mining and Analysis: A survey. arXiv preprint arXiv:1307.3336.
  4. Liu (2012)。情绪分析和意见挖掘。合成对人类语言技术讲座,5 (1),1 - 167。
  5. 帕特尔,f . N。,&Soni, N. R. (2012). Text mining: A Brief survey. International Journal of Advanced Computer Research (ISSN (print): 2249-7277 ISSN (online): 2277-7970) Volume-2 Number-4 Issue-6 December-2012, 243.
  6. Basari a . s . H。,Hussin B。Ananta,我。,&Zeniarja, J. (2013). Opinion mining of movie review using hybrid method of support vector machine and particle swarm optimization. Procedia Engineering, 53, 453-462.
  7. 张,W。,Yoshida, T., & Tang, X. (2007, October). Text classification using multi-word features. In Systems, Man and Cybernetics, 2007. ISIC. IEEE International Conference on (pp. 3519-3524). IEEE.
  8. Selvam B。,&Abirami, S (2013). A SURVEY ON OPINION MINING FRAMEWORK.
  9. 伊莎贝拉,j . (2012)。分析和评价意见挖掘的功能选择器。印度《计算机科学与工程(IJCSE), 3 (6)。
  10. Somprasertsri G。,&Lalitrojwong, P. (2010). Mining Feature-Opinion in Online Customer Reviews for Opinion Summarization. J. UCS, 16(6)
  11. 夏,R。,Zong, C., & Li, S. (2011). Ensemble of feature sets & classification algorithms for sentiment classification. ISciences, 181(6), 1138-1152.
  12. Pak,。,&Paroubek, P. (2010, May). Twitter as a Corpus for Sentiment Analysis and Opinion Mining. In LREC.
  13. 汗,K。,Baharudin, B. B., & Khan, A. (2009, June). Mining opinion from text documents: A survey. In Digital Ecosystems and Technologies, 2009. DEST'09. 3rd IEEE International Conference on (pp. 217-222). IEEE.
  14. 张,C。左,W。,Peng, T., & He, F. (2008, November). Sentiment classification for chinese reviews using machine learning methods based on string kernel. In Proceedings of the 2008 Third International Conference on Convergence and Hybrid Information Technology (Vol. 2, pp. 909-914).
  15. Balahur,。,&Montoyo, A. (2008, October). A feature dependent method for opinion mining and classification. In Natural Language Processing and Knowledge Engineering, 2008. NLP-KE'08. International Conference on (pp. 1-7). IEEE.
  16. 阿萨德,k。艾哈迈德,T。,& Rahman, M. S. (2012, May). Movie popularity classification based on inherent movie attributes using C4. 5, PART and correlation coefficient. In Informatics, Electronics & Vision (ICIEV), 2012 International Conference on (pp. 747-752). IEEE.
  17. 程,l . C。,& Wang, H. A. (2011, June). A novel fuzzy recommendation system integrated the experts' opinion. In Fuzzy Systems (FUZZ), 2011 IEEE International Conference on (pp. 2060-2065). IEEE.
  18. 斯坦伯格,J。易卜拉欣博士,M。模式,M。,Hurriyetoglu, A., Kabadjov, M., Lenkova, P., ...&Zavarella, V. (2012). Creating sentiment dictionaries via triangulation. Decision Support Systems, 53(4), 689-694.
  19. 金,W。,Ho, H. H., &Srihari, R. K. (2009, June). OpinionMiner: a novel machine learning system for web opinion mining and extraction. In Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 1195-1204). ACM.
  20. 你们问。,Zhang, Z., & Law, R. (2009). Sentiment classification of online reviews to travel destinations by supervised machine learning approaches. Expert Systems with Applications, 36(3), 6527-6535.
  21. 吴,Y。,Zhang, Q., Huang, X., & Wu, L. (2009, August). Phrase dependency parsing for opinion mining. In Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing: Volume 3-Volume 3 (pp. 1533-1541). Association for Computational Linguistics.
  22. Binali, H。,Potdar, V., & Wu, C. (2009, February). A state of the art opinion mining and its application domains. In Industrial Technology, 2009. ICIT 2009. IEEE International Conference on (pp. 1-6). IEEE.
  23. Boiy E。,&Moens, M. F. (2009). A machine learning approach to sentiment analysis in multilingual Web texts. Information retrieval, 12(5), 526-55
  24. 亚伯,F。,Gao, Q., Houben, G. J., & Tao, K. (2011). Semantic enrichment of twitter posts for user profile construction on the social web. In The Semanic Web: Research and Applications (pp. 375-389). Springer Berlin Heidelberg.
  25. Ruppenhofer, J。,&Rehbein, I. (2012, July). Semantic frames as an anchor representation for sentiment analysis. In Proceedings of the 3rd Workshop in Computational Approaches to Subjectivity and Sentiment Analysis (pp. 104-109). Association for Computational Linguistics.
  26. Peldszus,。,&Stede, M. (2013). From argument diagrams to argumentation mining in texts: a survey. International Journal of Cognitive Informatics and Natural Intelligence (IJCINI), 7(1), 1-31.
  27. 李X。,Dai, L., & Shi, H. (2010, August). Opinion mining of camera reviews based on Semantic Role Labeling. In Fuzzy Systems and Knowledge Discovery (FSKD), 2010 Seventh International Conference on (Vol. 5, pp. 2372-2375). IEEE.
  28. 刘,r . Y。,Lai, C. L., & Li, Y. (2009, August). Leveraging the web context for context-sensitive opinion mining. In Computer Science and Information Technology, 2009. ICCSIT 2009. 2nd IEEE International Conference on (pp. 467-471). IEEE.
  29. 翟,Y。,Chen, Y., Hu, X., Li, P., & Wu, X. (2010, October). Extracting Opinion Features in Sentiment Patterns. In Information Networking and Automation (ICINA), 2010 International Conference on (Vol. 1, pp. V1-115). IEEE.
  30. 斯利瓦斯塔瓦,R。,Bhatia, M. P. S., Srivastava, H. K., &Sahu, C. P. (2010, September). Exploiting grammatical dependencies for fine-grained opinion mining. In Computer and Communication Technology (ICCCT), 2010 International Conference on (pp. 768-775). IEEE.
  31. 黄。刘,X。,Peng, X., &Niu, Z. (2012, December). Fine-grained product features extraction and categorization in reviews opinion mining. In Data Mining Workshops (ICDMW), 2012 IEEE 12th International Conference on (pp. 680-686). IEEE.
  32. Penalver-Martinez,我。Garcia-Sanchez F。,Valencia-Garcia, R., Rodríguez-García, M. Á., Moreno, V., Fraga, A., & Sánchez-Cervantes, J. L. (2014). Feature-based opinion mining through ontologies. Expert Systems with Applications, 41(13), 5995-6008.
  33. Shandilya美国K。,& Jain, S. (2009, March). Opinion Extraction & Classification of Reviews from Web Documents. In Advance Computing Conference, 2009. IACC 2009. IEEE International (pp. 924-927). IEEE.
  34. 凯撒,C。,Piazza, A., Krockel, J., &Bodendorf, F. (2011, October). Are Humans Like Ants?--Analyzing Collective Opinion Formation in Online Discussions. In Privacy, security, risk and trust (passat), 2011 ieee third international conference on and 2011 ieee third international conference on social computing (socialcom) (pp. 266-273). IEEE.
  35. 曹,s W。,Cha, M. S., Kim, S. Y., Song, J. C., &Sohn, K. A. (2014, May). Investigating Temporal and Spatial Trends of Brand Images Using Twitter Opinion Mining. In Information Science and Applications (ICISA), 2014 International Conference on (pp. 1-4). IEEE.
  36. Nassirtoussi, a K。、Aghabozorgi年代。哇,t Y。,& Ngo, D. C. L. (2014). Text mining for market prediction: A systematic review. Expert Systems with Applications, 41(16), 7653-7670.
  37. Aldahawi, h·A。,& Allen, S. M. (2013, September). Twitter Mining in the Oil Business: A Sentiment Analysis Approach. In Cloud and Green Computing (CGC), 2013 Third International Conference on (pp. 581-586). IEEE.
  38. 陈,h·S。,& Su, J. S. (2009, December). The Keyless Technique of Text Data Mining and Its Application. In Innovative Computing, Information and Control (ICICIC), 2009 Fourth International Conference on (pp. 834-840). IEEE.
  39. 梁,H。徐,Y。,& Li, Y. (2010, December). Mining Users' Opinions Based on Item Folksonomy and Taxonomy for Personalized Recommender Systems. InData Mining Workshops (ICDMW), 2010 IEEE International Conference on (pp. 1128-1135). IEEE. Cheng, V., Leung, C., Liu, J., &Milani, A. (2013). Probabilistic Aspect Mining Model for Drug Reviews.
全球技术峰会