《表6 不同文本表示方法的篇章层情感分类性能》
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。
图表编号 | XD00189445400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.25 |
作者 | 周清清、章成志 |
绘制单位 | 南京师范大学网络与新媒体系、南京理工大学信息管理系、南京理工大学信息管理系 |
更多格式 | 高清、无水印(增值服务) |