FAHPBEP: A Fuzzy Analytic Hierarchy Process Framework in Text Classification
محل انتشار: مجله مهندسی برق مجلسی، دوره: 14، شماره: 3
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 116
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_MJEE-14-3_014
تاریخ نمایه سازی: 25 بهمن 1401
چکیده مقاله:
With the availability of websites and the growth of comments, reviews of user-generated content published on the Internet. Sentiment Classification is one of the most common problems in text mining, which applies to categorize reviews into positive and negative classes. Pre-processing has an important role when these textual contexts employed by machine learning techniques. Without efficient pre-processing methods, unreliable results will achieve. This research probes to investigate the performance of pre-processing for the Sentiment Classification problem on three popular datasets. We suggest a high-performance framework to enhance classification performance. First, features of user's opinions are extracted based on three methods: (۱) Backward Feature Selection; (۲) High Correlation Filter; and (۳) Low Variance Filter. Second, the error rate of the primary classification for each method calculated through the perceptron. Finally, the best method selected through the fuzzy analytic hierarchy process. This framework is beneficial for companies to observe people's comments about their brands and for many other applications. The current authors have provided further evidence to confirm the superiority of the proposed framework. The obtained results indicate that on average this proposed framework outperformed its counterparts. This framework yields ۹۰.۶۳ precision, ۹۰.۸۹ accuracy, ۹۱.۲۷ recall, and ۹۱.۰۵% f-measure.
کلیدواژه ها:
Data mining ، Sentiment classification ، Feature Selection ، Fuzzy Analytic Hierarchy Process ، Perceptron Neural Network
نویسندگان
Razieh Asgarnezhad
Department of Computer Engineering, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran.
Sayed Monadjemi
Faculty of Computer Engineering, University of Isfahan, Isfahan, Iran.
Mohammadreza Soltanaghaei
Department of Computer Engineering, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :