《表6 不同文本表示方法的篇章层情感分类性能》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多层次细粒度评论挖掘的图书影响力评价研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文基于几种不同的文本表示方法进行评论文本的表示，然后利用SVM(Suport Vector Machine）分类器进行情感分类模型的训练，最终识别每一条评论中的情感倾向，得出不同文本表示方法的情感分类性能评估结果（见表6）。可以看出，基于One-hot文本表示方法的分类性能较优，各项指标得分均高于0.9。同时，不同的主题数（N=5、10、15）对于LSI与LDA文本表示方法的分类性能有明显的影响。主题数越多其分类性能越好，但是随着主题数的增加，性能上升幅度变缓。对于Doc2Vec的文本表示方法，不同的向量维度（L=100、200、300）对于分类性能有明显的影响。维度L=100时，分类性能最优。