Web的越来越受欢迎随后增加了对产品和服务的丰富评论。采矿这些评论对表达情绪有利于公司和消费者，因为可以根据这些信息改进质量。在本文中，我们考虑了用于基于宽方情感分析的最先进的HAABSA ++算法，该算法识别朝着审遍句子中的给定方面表达的情绪。具体而言，我们使用对抗网络训练该算法的神经网络部分，这是一种新型机器学习训练方法，其中发电机网络通过产生高度逼真的新样本来欺骗分类器网络，如这种增加的鲁棒性。该方法，截至目前从未应用于基于宽基的情感分析的古典形式，发现能够大大提高Haabsa ++的样品精度：对于Semeval 2015数据集，从81.7％增加了准确度82.5％，以及2016年半决赛的任务，准确性从84.4％增加到87.3％。
translated by 谷歌翻译
大多数现有推荐系统仅基于评级数据，并且他们忽略了可能会增加建议质量的其他信息来源，例如文本评论或用户和项目特征。此外，这些系统的大多数仅适用于小型数据集（数千个观察）并且无法处理大型数据集（具有数百万观察结果）。我们提出了一种推荐人算法，该算法将评级建模技术（即潜在因子模型）与基于文本评论（即潜在Dirichlet分配）的主题建模方法组合，并且我们扩展了算法，使其允许添加额外的用户和项目 - 对系统的特定信息。我们使用具有不同大小的Amazon.com数据集来评估算法的性能，对应于23个产品类别。将建筑模型与四种其他型号进行比较后，我们发现将患有评级的文本评语相结合，导致更好的建议。此外，我们发现为模型添加额外的用户和项目功能会提高其预测精度，这对于中型和大数据集尤其如此。
translated by 谷歌翻译