دسته‌بندي احساسي عقايد مبتني بر يادگيري انتقالي چندمنبعي با استفاده از دسته‌بند متناظر ساختاري وزن‌دار

دسته‌بندي احساسي عقايد زمينه‌اي در پردازش زبان طبيعي است كه در سال‌هاي اخير با محبوب شدن فروشگاه‌هاي اينترنتي و امكان درج عقيده در مورد كالا يا سرويس خريداري‌شده مورد توجه پژوهشگران قرار گرفته است. براي آموزش مدل‌هاي دسته‌بند، به مجموعه داده‌هاي برچسب‌خورده نياز است؛ اما عدم وجود نمونه‌هاي برچسب‌خورده در همه دامنه‌ها و با توجه به دشواري فرايند برچسب زدن نمونه‌ها، مي‌بايست به‌نوعي از نمونه‌هايي كه در دامنه‌هاي ديگر وجود دارد براي ساخت مدل‌ها استفاده نمود. در اين مقاله روشي براي دسته‌بندي احساسي عقايد به دو دسته مثبت و منفي، مبتني بر يادگيري انتقالي چندمنبعي ارائه مي‌شود. روش پيشنهادي اين مقاله با استفاده از يادگيري متناظر ساختاري، اقدام به تطبيق دامنه‌هاي مختلف نموده و بر اساس روال تكرارشونده يك الگوريتم بوستينگ به نمونه‌هاي دسته‌بندي‌شده دامنه‌هاي مختلف، وزني را تخصيص داده و با ادغام هر يك از دسته‌بندها، در مورد دسته هر عقيده تصميم‌گيري مي‌نمايد. وزن‌دهي به نمونه‌ها براي تقويت فرايند دسته‌بندي مبنتي بر فرايند بوستينگ و تركيب آن با يادگيري متناظر ساختاري مهم‌ترين نوآوري پژوهش جاري است. از مجموعه داده‌هاي آمازون براي 4 رده مختلف كه هر كدام شامل 1000 نمونه مثبت و 1000 نمونه منفي هستند براي آموزش مدل پيشنهادي استفاده شده است. مقدار معيار درستي 89٫64%، 93٫97%، 92٫39% و 90٫17% به ترتيب براي رده‌هاي الكترونيك، دي‌وي‌دي، كتاب و آشپزخانه به دست آمده و حاكي از مؤثر بودن روش پيشنهادي در قياس با روش‌هاي مشابه است.