Résumé d'opinions basé sur les caractéristiques à l'aide de l'apprentissage par transfert

L'exploration d'opinions est utilisée pour améliorer la prise de décision des nouveaux utilisateurs dans divers domaines tels que les produits les films les médias d'information les partages sur les réseaux sociaux etc. L'exploration d'opinions basée sur les caractéristiques s'appuie uniquement sur un corpus de domaine unique dans la plupart des méthodologies existantes. L'exploration d'opinions basée sur les caractéristiques dans deux corpus de domaines différents est complexe. Les caractéristiques et les mots d'opinion sont extraits à l'aide de l'outil de balisage Part-of-Speech (PoS). La technique IDDR (Inter dependent domain relevance) utilise la suppression des caractéristiques redondantes et l'élagage des caractéristiques non pertinentes de deux domaines différents à l'aide du score IDDR et de la valeur seuil. Normalement l'exploration de données et l'apprentissage automatique utilisent des données d'entraînement et de test provenant du même domaine et présentant les mêmes caractéristiques. Mais le concept ci-dessus ne s'applique pas à tous les domaines en raison du manque de jeux de données étiquetés. Ici la méthode d'apprentissage par transfert proposée utilise l'algorithme Exaggerate Instance weighted K nearest neighbor (EIWKNN) pour transférer les connaissances du domaine des appareils photo vers le domaine des iPods pour la classification des opinions. Le résumé des caractéristiques de deux domaines différents en ce qui concerne leur opinion est généré.