최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기디지털융복합연구 = Journal of digital convergence, v.17 no.3, 2019년, pp.107 - 117
어균선 (성균관대학교 경영대학) , 이건창 (성균관대학교 글로벌경영학과)
In the era of SNS, many people relies on it to express their emotions about various kinds of products and services. Therefore, for the companies eagerly seeking to investigate how their products and services are perceived in the market, emotion mining tasks using dataset from SNSs become important m...
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
Neural Network의 학습과정은 어떻게 진행되는가? | 학습과정은 다음과 같이 진행된다[14]. 입력층은 주어진 학습자료를 구성하는 변수를 나타내는 노드로 구성되어 있으며 해당 입력층으로부터 학습자료가 입력된다. 은닉층은 입력층에서 들어오는 학습자료를 연결가중치로 처리하고 이를 다시 시그모이드 함수와 같은 전이함수로 출력값을 만들어 이를 출력층으로 전달한다. 출력층에서는 주어진 입력자료에 대한 최종적인 출력값을 계산하고 이를 실제값과 비교한 후 그 차이인 오차가 정해진 임계치보다 작은지 여부를 계산한다. 오차가 임계치 보다 클 경우 출력층으로부터 은닉층, 그리고 입력층까지 단계적으로 내려가면서 연결가중치를 순차적으로 수정하므로써 주어진 학습자료를 학습한다. | |
감성분석은 무엇인가? | 소셜 미디어상에서 표출되는 소비자들의 다양한 이모션과 의견은 곧 해당 기업에 대한 여론을 형성하고 그 여론은 기업의 재무성과에 많은 영향을 주기 때문이다. 이같이 온라인상에서 일반 소비자들이 표출하는 다양한 리뷰데이터에서 소비자의 숨어있는 이모션과 의견등을 분석하여 그 내용이 긍정적인지 부정적인지를 알아내고자 하는 분야를 감성분석 (sentiment analysis)라고 한다[1]. | |
CFS의 한계는 무엇인가? | 반면 관련도가 적은 속성은 클래스와의 상관관계 또한 낮을 것으로 전제하여 배제된다[10]. 하지만 CFS는 속성간의 상호작용에 대해서는 이렇다할 통제 메커니즘이 없다는 한계가 있다. |
J. A. Balazs & J. D. Velasquez. (2016). Opinion mining and information fusion: a survey. Information Fusion, 27, 95-110.
H. L. Yang & Q. F. Lin. (2018). Opinion mining for multiple types of emotion-embedded products/services through evolutionary strategy. Expert Systems with Applications, 99, 44-55.
M. V. Mantyla, D. Graziotin & M. Kuutila. (2018). The evolution of sentiment analysis-A review of research topics, venues, and top cited papers. Computer Science Review, 27, 16-32.
Y. Liu, J. W. Bi & Z. P. Fan. (2017). Multi-class sentiment classification: The experimental comparisons of feature selection and machine learning algorithms. Expert Systems with Applications, 80, 323-339.
T. Danisman & A. Alpkocak. (2008, April). Feeler: Emotion classification of text using vector space model. In AISB 2008 Convention Communication, Interaction and Social Intelligence (Vol. 1, p. 53).
C., Strapparava & R. Mihalcea. (2007). Semeval-2007 task 14: Affective text. In Proceedings of the 4th international workshop on semantic evaluations (pp. 70-74). Association for Computational Linguistics.
N. Gupta, M. Gilbert & G. D. Fabbrizio. (2013). Emotion detection in email customer care. Computational Intelligence, 29(3), 489-505.
M. Hasan, E. Agu & E. Rundensteiner. (2014). Using hashtags as labels for supervised learning of emotions in twitter messages. In ACM SIGKDD Workshop on Health Informatics, New York, USA.
C. Quan & F. Ren. (2016). Weighted high-order hidden Markov models for compound emotions recognition in text. Information Sciences, 329, 581-596.
M. A. Hall. (1999). Correlation-based feature selection for machine learning.
D. R. Cox. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society. Series B (Methodological), 215-242.
S. K. Murthy. (1998). Automatic construction of decision trees from data: A multi-disciplinary survey. Data mining and knowledge discovery, 2(4), 345-389.
E. C. Bae & K. C. Lee. (2016). Predicting Stock Liquidity by Using Ensemble Data Mining Methods", Journal of The Korea Society of computer and Information, 21(6), 9-19,
S. Park, K. M. Yang & S. B. Cho. (2013). A Hierarchical CPV Solar Generation Tracking System based on Modular Bayesian Network. Journal of KIISE: Software and Applications, 41.
V. Vapnik. (2013). The nature of statistical learning theory. Springer science & business media.
M. H. Song, J. Lee, S. P. Cho & K. J. Lee. (2005). SVM Classifier for the Detection of Ventricular Fibrillation, The Institute of Electronics Engineers of Korea - System and Control, 42(5), 27-34.
M. Ballings, D. Van den Poel, N. Hespeels & R. Gryp. (2015). Evaluating multiple classifiers for stock price direction prediction. Expert Systems with Applications, 42(20), 7046-7056.
D. H. Wolpert. (1992). Stacked generalization. Neural networks, 5(2), 241-259.
J. H. Lee & J. G. Baek. (2018). RTC(Real-Time Contrast) Control Chart using Random Forest based Multi-Class Classifier, Journal of the Korean Institute of Industrial Engineers, 44(4), 306-315.
T. K. Ho. (1998). The Random Subspace Method for Constructing Decision Forests, IEEE Trans. Pattern Analysis and Machine Intelligence, 20(8), 832-844.
W. Wang, L. Chen, K. Thirunarayan & A. P. Sheth. (2012). Harnessing twitter big data for automatic emotion identification. In Privacy, Security, Risk and Trust (PASSAT), 2012 International Conference on and 2012 International Confernece on Social Computing (SocialCom), IEEE, 587-592.
A. Yadollahi, A. G. Shahraki & O. R. Zaiane. (2017). Current state of text sentiment analysis from opinion to emotion mining. ACM Computing Surveys (CSUR), 50(2), 25.
S. Arlot & A. Celisse. (2010). A survey of cross-validation procedures for model selection. Statistics surveys, 4, 40-79.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.