نظر کاوی مبتنی بر یادگیری متریک

نظر کاوی در شال های اخیر مورد توجه بسیار قرار گرفته است.پژوهش های زیادی در زمینه ی روش های مختلف اقتباس ویژگی و اعمال دسته بندی های گوناگون روی مجموعه داده های نظر کاوی صورت گرفته است.فراوانی عبارت-معکوس فراوانی سند،رایج ترین روش اقتباس ویژگی آماری در تحقیقات مرتبط است که داده های با ابعاد بالا وتنک تولید می کند.زیاد بودن تعداد ابعاد و نیز تنک بودن آن ها ،اهمیت نحوه ی محاسبه ی فاصله ی بین داده ها را که اساس کار دسته بندهای مبتنی بر فاصله است نشان مس دهد.روش های یادگیری متریک مبتنی بر داده،به جای استفاده از توابع فاصله ی ثابت همچون اقلیدسی و کسینوسی ،فاصله ی مناسب با داده هارا یاد می گیرند و کارایی آن ها در بسیاری کاربرد ها از جمله پردازش متن نشان داده شده است.در این مقاله،یک روش یادگیری متریک مبتنی بر داده جهت خودکار تمایلات مرتبط با نظرات کاربران بکارگرفته می شود.در این روش،یک متریک ماهالونوبیس با هدف بهبود دسته بند k- نزدیک ترین همسایه یادگرفته می شود.کارایی این روش با کارایی دسته بند k- نزدیک ترین همسایع مبتنی بر فواصل اقلیدسی و کسینوسی و نیز دسته بند ماشین بردارپشتیبان مقایسه شده است.ننتایج بدستآمده بر اساس ملاک های ارزیابی دقت و F۱ و با استفاده از آزمون تی،کارا بودن این روش در مقیسه با سایر روش ها را تایید می کنند. ارزیابی روی دو مجموعه داده ی معیار نظر کاوی انجام شده است

Keywords:

نظر کاوی , یادگیری متریک , فاصله ی ماهالونوبیس , دسته بند k- , نزدیک ترین همسایه , تحلیل احساس