Podsumowanie opinii oparte na cechach przy u¿yciu uczenia transferowego

Wykorzystuje si¿ analiz¿ opinii, ¿eby pomóc nowym u¿ytkownikom w podejmowaniu decyzji w ró¿nych dziedzinach, jak produkty, filmy, media informacyjne, udost¿pnianie w sieciach spöecznöciowych itp. W wi¿kszöci istniej¿cych metod analizy opinii opartej na cechach wykorzystuje si¿ tylko korpus z jednej dziedziny. Analiza opinii oparta na cechach w dwóch ró¿nych korpusach jest skomplikowana. Cechy i s¿owa opinii s¿ wyodr¿bniane za pomoc¿ narz¿dzia do tagowania cz¿¿ci mowy (PoS). Technika wzajemnej zale¿nöci domen (IDDR) wykorzystuje usuwanie zb¿dnych cech i przycinanie nieistotnych cech z dwóch ró¿nych domen za pomoc¿ wyniku IDDR i wartöci progowej. Zazwyczaj eksploracja danych i uczenie maszynowe wykorzystuj¿ dane szkoleniowe i testowe z tej samej domeny i maj¿ t¿ sam¿ cech¿. Jednak powy¿sza koncepcja nie ma zastosowania we wszystkich domenach ze wzgl¿du na brak oznaczonych zbiorów danych. W tym przypadku proponowana metoda uczenia transferowego wykorzystuje algorytm Exaggerate Instance weighted K nearest neighbor (EIWKNN) do przeniesienia wiedzy z domeny kamer do domeny iPodów w celu klasyfikacji opinii. Generowane jest podsumowanie cech dwóch ró¿nych domen w odniesieniu do ich opinii.