دانلود مقاله انگلیسی رایگان:تشخیص دامنه منفی برای تجزیه و تحلیل احساسات: یک چارچوب یادگیری تقویت کننده برای تکرار تفسیرهای انسانی - 2020
دانلود بهترین مقالات isi همراه با ترجمه فارسی
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • Negation scope detection for sentiment analysis: A reinforcement learning framework for replicating human interpretations Negation scope detection for sentiment analysis: A reinforcement learning framework for replicating human interpretations
    Negation scope detection for sentiment analysis: A reinforcement learning framework for replicating human interpretations

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Negation scope detection for sentiment analysis: A reinforcement learning framework for replicating human interpretations


    ترجمه فارسی عنوان مقاله:

    تشخیص دامنه منفی برای تجزیه و تحلیل احساسات: یک چارچوب یادگیری تقویت کننده برای تکرار تفسیرهای انسانی


    منبع:

    Sciencedirect - Elsevier - Information Sciences, 536 (2020) 205-221. doi:10.1016/j.ins.2020.05.022


    نویسنده:

    Nicolas Pröllochs a,⇑, Stefan Feuerriegel c, Bernhard Lutz b, Dirk Neumann b


    چکیده انگلیسی:

    Textual materials represent a rich source of information for improving the decision-making of people, businesses and organizations. However, for natural language processing (NLP), it is difficult to correctly infer the meaning of narrative content in the presence of negations. The reason is that negations can be formulated both explicitly (e.g., by negation words such as ‘‘not”) or implicitly (e.g., by expressions that invert meanings such as ‘‘forbid”) and that their use is further domain-specific. Hence, NLP requires a dynamic learning framework for detecting negations and, to this end, we develop a reinforcement learning framework for this task. Formally, our approach takes document-level labels (e.g., sentiment scores) as input and then learns a negation policy based on the document-level labels. In this sense, our approach replicates human perceptions as provided by the document-level labels and achieves a superior prediction performance. Furthermore, it benefits from weak supervision; meaning that the need for granular and thus expensive word-level annotations, as in prior literature, is replaced by document-level annotations. In addition, we propose an approach to interpretability: by evaluating the state-action table, we yield a novel form of statistical inference that allows us to test which linguistic cues act as negations.
    Keywords: Unstructured data| Information processing | Decision-making | Natural language processing | Reinforcement learning | Negations


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 17
    حجم فایل: 627 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi