CAJ | 학술논문

随着 Web2.0的迅速发展,越来越多的用户乐于在互联网上分享自己的观点或体验.这类评论信息迅速膨胀,仅靠人工的方法难以应对网上海量信息的收集和处理,因此基于计算机的文本情感分类技术应运而生,并且研究的重点之一就是提高分类的精度.由于集成学习理论是提高分类精度的一种有效途径,并且已在许多领域显示出其优于单个分类器的良好性能,为此,提出基于集成学习理论的文本情感分类方法.实验结果显示三种常用的集成学习方法 Bagging、Boosting 和 Random Subspace 对基础分类器的分类精度都有提高,并且在不同的基础分类器条件下,Random Subspace 方法较 Bagging 和 Boosting 方法在统计意义上更优,以上结果进一步验证了集成学习理论在文本情感分类中应用的有效性
수착 Web2.0적신속발전,월래월다적용호악우재호련망상분향자기적관점혹체험.저류평론신식신속팽창,부고인공적방법난이응대망상해량신식적수집화처리,인차기우계산궤적문본정감분류기술응운이생,병차연구적중점지일취시제고분류적정도.유우집성학습이론시제고분류정도적일충유효도경,병차이재허다영역현시출기우우단개분류기적량호성능,위차,제출기우집성학습이론적문본정감분류방법.실험결과현시삼충상용적집성학습방법 Bagging、Boosting 화 Random Subspace 대기출분류기적분류정도도유제고,병차재불동적기출분류기조건하,Random Subspace 방법교 Bagging 화 Boosting 방법재통계의의상경우,이상결과진일보험증료집성학습이론재문본정감분류중응용적유효성