Podsumowanie opinii oparte na cechach przy użyciu uczenia transferowego

Wykorzystuje się analizę opinii, żeby pom鏂 nowym użytkownikom w podejmowaniu decyzji w r?#380;nych dziedzinach, jak produkty, filmy, media informacyjne, udostępnianie w sieciach spolecznościowych itp. W większości istniejących metod analizy opinii opartej na cechach wykorzystuje się tylko korpus z jednej dziedziny. Analiza opinii oparta na cechach w dw鏂h r?#380;nych korpusach jest skomplikowana. Cechy i slowa opinii są wyodrębniane za pomocą narzędzia do tagowania części mowy (PoS). Technika wzajemnej zależności domen (IDDR) wykorzystuje usuwanie zbędnych cech i przycinanie nieistotnych cech z dw鏂h r?#380;nych domen za pomocą wyniku IDDR i wartości progowej. Zazwyczaj eksploracja danych i uczenie maszynowe wykorzystują dane szkoleniowe i testowe z tej samej domeny i mają tę samą cechę. Jednak powyższa koncepcja nie ma zastosowania we wszystkich domenach ze względu na brak oznaczonych zbior闚 danych. W tym przypadku proponowana metoda uczenia transferowego wykorzystuje algorytm Exaggerate Instance weighted K nearest neighbor (EIWKNN) do przeniesienia wiedzy z domeny kamer do domeny iPod闚 w celu klasyfikacji opinii. Generowane jest podsumowanie cech dw鏂h r?#380;nych domen w odniesieniu do ich opinii.