抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
テキスト文書の分類は一般的に特徴選択法を用いて生成されるbag-of-wordsの種々のモデルを用いて行った。これらのモデルでは,選択された特徴はサポートベクトルマシン(SVM)とニューラルネットワークなどの良く知られた分類器への入力として使用した。近年,単語埋込みと呼ばれる技術は,テキストマイニングのために開発した,単語埋め込みを用いた深い学習モデルは,感情分類のための一般的になってきた。しかし,感情分類のためのこれらの手法を比較するために実施されていない広範な研究である。本論文では,文書レベル感情分類のためのこれら二種類のアプローチ,特徴選択に基づくアプローチと深層学習モデルの詳細な比較研究を行った。実験は,様々な特性を持つ四データセットを用いて行った。単語埋込み特徴の有効性を調べるために,選択したbag-of-words特徴と平均単語埋込み特徴の組合せを含む特徴集合は感情分類に使用した。深学習モデルを解析するために,筆者らは,三種の深い学習アーキテクチャ,畳込みニューラルネットワーク,長い短期記憶ネットワーク,および長期再発畳込みネットワークを実行した。著者らの実験結果は,深い学習モデルは四データセットのうち三に良好な性能であることを,選択したbag-of-words特徴と平均単語埋込み特徴の組合せは一つのデータセット上での最良の性能を与えることを示した。添加では,ワンホットベクトルまたは微調整された単語埋め込みのいずれかで初期化した深い学習モデルは調整することなく単語埋込みよりもモデル初期化を用いてより良好な性能であることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】