Sentiment-Klassifikation für Filmkritiken basierend auf maschinellem Lernen

Die Forschung dieses Artikels zielt darauf ab, die Klassifikation von positiven und negativen Emotionen in Filmkritiktexten zu erreichen. Der verwendete Datensatz ist der IMDB-Datensatz von der Kaggle-Website, der etwa 50.000 Filmkritiken enthält, die als positive oder negative Emotionen klassifiziert sind. Dies ist ein Datensatz für binär-sensible Klassifikationen, der inhaltlich mehr Daten enthält als frühere Benchmark-Datensätze. Diese Forschung wird zwei verschiedene Modelle verwenden, SVM und CNN, um den Datensatz zu klassifizieren und dann zu vergleichen und zu analysieren. Nach Abschluss des Experiments erzielte das SVM-Modell eine Genauigkeit von fast 90 %, während das CNN-Modell nur eine Genauigkeit von etwa 82 % erreichte. Diese Forschung hat ergeben, dass SVM bei binären Klassifikationsproblemen, solange die Eingabedaten gut verarbeitet sind, Ergebnisse erzielen kann, die nicht schlechter sind als die von CNN, sondern sogar besser. SVM ist einfach und effizient, aber schwer für großangelegte Trainingsproben zu implementieren; CNN ist geeignet zur Lösung von Problemen mit komplexen internen Mechanismen, hat jedoch eine relativ langsame Lerngeschwindigkeit. Schließlich haben wir unsere Aussichten für zukünftige Forschungen vorgeschlagen.