Key points are not available for this paper at this time.
L'analyse de sentiments est un élément clé dans diverses applications d'exploration de textes. De nombreuses techniques de classification des sentiments, y compris des méthodes conventionnelles et basées sur l'apprentissage profond, ont été proposées dans la littérature. Dans la plupart des méthodes existantes, on suppose qu'un ensemble d'entraînement de haute qualité est donné. Néanmoins, la construction d'un ensemble d'entraînement de haute qualité composé d'étiquettes très précises est un défi dans les applications réelles. Cette difficulté provient du fait que les échantillons de texte contiennent généralement des représentations complexes des sentiments, et leur annotation est subjective. Nous abordons ce défi dans cette étude en tirant parti d'une nouvelle stratégie de labellisation et en utilisant un réseau à mémoire courte et longue à deux niveaux pour construire un classificateur de sentiments. Les indices lexicaux sont utiles pour l'analyse des sentiments, et ils ont été utilisés dans des études conventionnelles. Par exemple, les mots polaires et de négation jouent des rôles importants dans l'analyse des sentiments. Une nouvelle stratégie d'encodage, c'est-à-dire l'encodage ρ-hot, est proposée pour atténuer les inconvénients de l'encodage one-hot et, ainsi, incorporer efficacement des indices lexicaux utiles. De plus, la polarité sentimentale d'un mot peut changer dans différentes phrases en raison du bruit d'étiquetage ou du contexte. Un modèle de basculement est proposé pour modéliser le basculement polaire des mots dans une phrase. Nous compilons trois ensembles de données chinoises sur la base de notre stratégie de label et de notre méthodologie proposée. Les expériences démontrent que la méthode proposée surpasse les algorithmes à la pointe de la technologie sur les données anglaises de référence et nos données chinoises compilées.
Wu et al. (Mercredi,) ont étudié cette question.