ビッグデータのマルチレルムセンチメント分類のためのドメイン適応学習

テキストの特徴やセンチメントレキシコンに依存する機械学習技術は、誤った感情分析につながる可能性があります。これらの手法は、特にビッグデータを扱う場合、ドメイン関連の困難に対して特に脆弱です。さらに、ラベル付けは時間がかかり、監視された機械学習アルゴリズムがラベル付きデータを欠いていることがよくあります。転送学習は、時間を節約し、このフィールドのデータセットが少ない高性能を獲得するのに役立ちます。これに対処するために、転送学習ベースのマルチドメインセンチメント分類（MDSC）手法を使用しました。ラベル付きのソースドメインでレビューを調べることで無ーになっているターゲットドメインのテキストの感情極性を特定できます。この研究の目的は、ドメイン適応の影響を評価し、転送学習がセンチメント分析の結果を促進する程度を測定することです。Transfer Learning Modelsを使用して、Bert、Roberta、Electra、およびUlmfitを使用して、感情分析のパフォーマンスを向上させました。さまざまなトランスモデルを介して感情を分析し、LSTMとCNNのパフォーマンスを比較しました。実験は、5つの公開されているセンチメント分析データセット、つまりホテルレビュー（HR）、映画レビュー（MR）、センチメント140ツイート（ST）、引用センチメントコーパス（CSC）、およびバイオインフォマティクス引用コーパス（BCC）で行われます。ターゲットドメイン。さまざまな要因が出力にどのように影響するかを示す多様なデータセットからの転送学習を使用する多数のモデルのパフォーマンス。

Machine learning techniques that rely on textual features or sentiment lexicons can lead to erroneous sentiment analysis. These techniques are especially vulnerable to domain-related difficulties, especially when dealing in Big data. In addition, labeling is time-consuming and supervised machine learning algorithms often lack labeled data. Transfer learning can help save time and obtain high performance with fewer datasets in this field. To cope this, we used a transfer learning-based Multi-Domain Sentiment Classification (MDSC) technique. We are able to identify the sentiment polarity of text in a target domain that is unlabeled by looking at reviews in a labelled source domain. This research aims to evaluate the impact of domain adaptation and measure the extent to which transfer learning enhances sentiment analysis outcomes. We employed transfer learning models BERT, RoBERTa, ELECTRA, and ULMFiT to improve the performance in sentiment analysis. We analyzed sentiment through various transformer models and compared the performance of LSTM and CNN. The experiments are carried on five publicly available sentiment analysis datasets, namely Hotel Reviews (HR), Movie Reviews (MR), Sentiment140 Tweets (ST), Citation Sentiment Corpus (CSC), and Bioinformatics Citation Corpus (BCC), to adapt multi-target domains. The performance of numerous models employing transfer learning from diverse datasets demonstrating how various factors influence the outputs.