Résumé d'opinions basé sur les caractéristiques à l'aide de l'apprentissage par transfert

L'exploration d'opinions est utilis嶪 pour am幨iorer la prise de d嶰ision des nouveaux utilisateurs dans divers domaines tels que les produits, les films, les m嶮ias d'information, les partages sur les r廥eaux sociaux, etc. L'exploration d'opinions bas嶪 sur les caract廨istiques s'appuie uniquement sur un corpus de domaine unique dans la plupart des m彋hodologies existantes. L'exploration d'opinions bas嶪 sur les caract廨istiques dans deux corpus de domaines diff廨ents est complexe. Les caract廨istiques et les mots d'opinion sont extraits ?l'aide de l'outil de balisage Part-of-Speech (PoS). La technique IDDR (Inter dependent domain relevance) utilise la suppression des caract廨istiques redondantes et l'幨agage des caract廨istiques non pertinentes de deux domaines diff廨ents ?l'aide du score IDDR et de la valeur seuil. Normalement, l'exploration de donn嶪s et l'apprentissage automatique utilisent des donn嶪s d'entra螽ement et de test provenant du m瘱e domaine et pr廥entant les m瘱es caract廨istiques. Mais le concept ci-dessus ne s'applique pas ?tous les domaines en raison du manque de jeux de donn嶪s 彋iquet廥. Ici, la m彋hode d'apprentissage par transfert propos嶪 utilise l'algorithme Exaggerate Instance weighted K nearest neighbor (EIWKNN) pour transf廨er les connaissances du domaine des appareils photo vers le domaine des iPods pour la classification des opinions. Le r廥um?des caract廨istiques de deux domaines diff廨ents en ce qui concerne leur opinion est g幯廨?