Using artificial neural network with comparative analysis of different techniques for the classification of sentiment analysis

Abstract

Duygu Analizi, bir işte ifade edilen olumlu, olumsuz ya da tarafsız görüşü ya da hakem görüşlerini tanımlamak anlamına gelir. Sosyal medyada gözetim hissi değerlendirmesi, müşterilerin sosyal medyalarında belirli bir marka veya işletme için kopyalanan genel izlenimini veya ruh halini otomatik olarak karakterize etmek ve İnternet'te olumlu mu yoksa olumsuz mu olarak değerlendirilip değerlendirilmeyeceğini belirlemek için faydalıdır. Bu makale, makine temelli öğrenme hissi değerlendirmesine yaklaşımları incelemekte ve yöntemlerin temel özelliklerini vurgulamaktadır. Belirgin olarak kullanılan teknik ve yöntemler, Makine Öğrenmeye dayalı duygu değerlendirmesinin en yakın komşu sınıflandırması olan Naif Bayes, Maksimum Entropi ve Destek Vektör Makinesi'dir. Naif Bayes'in tasviri oldukça kolaydır ancak zengin varsayımlara yol açmaz. Özelliklerin bağımsız olduğu hipotezi çok kısıtlayıcıdır. Maksimum Entropi, olasılık bilgisine göre dağılımını tahmin eder, ancak yalnızca bağımlı özelliklere iyi gelir. SVM için çekirdek doğrudur, ancak çok sınıflı meselelerle başa çıkma yöntemi standart değildir. Yapay sinir ağlarını ve bulanık mantığı birleştiren bir yöntem, değişkenler arasındaki korelasyonların ve bağımlılıkların etkinliğini geliştirmek için sıklıkla kullanılır.

Sentiment Analysis means identifying the favorable, negative or neutral opinion or reviewer opinions expressed in a piece of job. In social media surveillance sentiment assessment is helpful to automatically characterize the general impression or mood of the customers as replicated on their social media for a particular brand or business and determine if they are regarded favorably or negatively on the Internet. This article examines the machine-based learning approaches to feeling assessment and highlights the key characteristics of methods. Prominently used techniques and methods are Naïve Bayes, Maximum Entropy and Support Vector Machine, the most near-neighbor classification of Machine Learning-based feeling assessment. Naïve Bayes ' depiction is quite easy but does not give rise to wealthy assumptions. The hypothesis that characteristics are independent is too restrictive. Maximum Entropy estimates the distribution of probability by information, but it does well only with dependent characteristics. For SVM the kernel is correct, but the way to deal with multi-class issues is not standardized. A method which combines neural networks and fuzzy logic often is used to improve the efficiency of correlations and dependencies between variables.