Differentiable Neural Computing: Studio e Sperimentazione nella Cross-Domain Sentiment Classification

Pergolini, Diego (2017) Differentiable Neural Computing: Studio e Sperimentazione nella Cross-Domain Sentiment Classification. [Laurea], Università di Bologna, Corso di Studio in Ingegneria e scienze informatiche [L-DM270] - Cesena, Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text non accessibile fino al 31 Dicembre 2018.
Disponibile con Licenza: Creative Commons Attribuzione - Non commerciale - Non opere derivate 3.0

Download (2MB) | Contatta l'autore

Abstract

La straordinaria diffusione di piattaforme online attraverso le quali le persone possono esprimere opinioni,come blog, social network,forum, e la conseguente enormità di testo non strutturato generato, ha fatto emergere sempre più interesse verso la Sentiment Classification. Essa, proponendosi di carpire la connotazione, positiva o negativa, di un testo, può assumere un'evidente rilevanza commerciale. Il problema delle soluzioni che sono state proposte in questo ambito è che molto spesso si tratta di tecniche che agiscono con efficacia solo in-domain , cioè addestrando e testando un modello di classificazione sullo stesso dominio. I casi reali,però, sono costituiti da scenari cross-domain, proprio perché spesso non sono disponibili dati categorizzati per eseguire un addestramento sul dominio target. Questo lavoro si propone di utilizzare un approccio moderno come quello rappresentato dalle DNC, un nuovo tipo di reti neurali dotate di una memoria esterna, unito ad una codifica semantica del testo come i word embeddings, allo scopo di svolgere al meglio classificazioni cross-domain, sia a 2 che a 5 classi. I risultati ottenuti dimostrano la bontà di questo approccio, visto il raggiungimento di ottime accuratezze nell'ambito cross-domain e il superamento di alcuni dei risultati ottenuti in letteratura rappresentanti lo stato dell'arte. Le DNC hanno mostrato di essere in grado capaci di generalizzare, dimostrandosi un modello di classificazione efficace anche se testato su domini diversi da quello di addestramento e facendo segnare un ottimo grado di accuratezza sia applicando tecniche di transfer learning esplicite che non.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
Pergolini, Diego
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum ingegneria informatica
Ordinamento Cds
DM270
Parole chiave
Sentiment Analysis,Machine Learning,Deep Learning,In-Domain,Transfer Learning,Big Data,Language Heterogeneity,Cross-Domain,Differentiable Neural Computer,DNC
Data di discussione della Tesi
5 Ottobre 2017
URI

Altri metadati

Gestione del documento: Visualizza il documento

^