Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
|
Abstract
L'obiettivo di questa tesi progettuale è quello di utilizzare una particolare tipologia di reti neurali, definite Char-CNN ovvero Character-Level Convolutional Neural Networks, per classificare e testare una serie di recensioni di prodotti relativi a differenti contesti commerciali e con differenti linguaggi, in modo tale che il sistema sia poi in grado di riconoscere la classe delle recensioni
future.
Gli esperimenti sono stati sviluppati sia In-Domain che Cross-Domain, ciò significa che il sistema addestrato è stato valutato sia con recensioni appartenenti allo stesso dominio utilizzato per l'addestramento, sia invece con recensioni appartenenti ad un altro dominio.
L'utilità di esperimenti di tipo Cross-Domain è relativa al fatto che preclassificare su un nuovo dominio sia un compito particolarmente oneroso che deve essere effettuato da un uomo.
La tesi per cui è incentrata su analizzare l'efficacia di questa tecnica di Deep Learning e sul confronto dei risultati ottenuti con altre tecniche.
Abstract
L'obiettivo di questa tesi progettuale è quello di utilizzare una particolare tipologia di reti neurali, definite Char-CNN ovvero Character-Level Convolutional Neural Networks, per classificare e testare una serie di recensioni di prodotti relativi a differenti contesti commerciali e con differenti linguaggi, in modo tale che il sistema sia poi in grado di riconoscere la classe delle recensioni
future.
Gli esperimenti sono stati sviluppati sia In-Domain che Cross-Domain, ciò significa che il sistema addestrato è stato valutato sia con recensioni appartenenti allo stesso dominio utilizzato per l'addestramento, sia invece con recensioni appartenenti ad un altro dominio.
L'utilità di esperimenti di tipo Cross-Domain è relativa al fatto che preclassificare su un nuovo dominio sia un compito particolarmente oneroso che deve essere effettuato da un uomo.
La tesi per cui è incentrata su analizzare l'efficacia di questa tecnica di Deep Learning e sul confronto dei risultati ottenuti con altre tecniche.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Agatensi, Luca
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum ingegneria informatica
Ordinamento Cds
DM270
Parole chiave
Machine Learning,Deep Learning,Character-Level Convolutional Neural Networks,Sentiment Classification,Sentiment Analisys,Esperimenti In-Domain,Esperimenti Cross-Domain,Char-CNN
Data di discussione della Tesi
15 Dicembre 2017
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Agatensi, Luca
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum ingegneria informatica
Ordinamento Cds
DM270
Parole chiave
Machine Learning,Deep Learning,Character-Level Convolutional Neural Networks,Sentiment Classification,Sentiment Analisys,Esperimenti In-Domain,Esperimenti Cross-Domain,Char-CNN
Data di discussione della Tesi
15 Dicembre 2017
URI
Statistica sui download
Gestione del documento: