Genetic Optimization of Big Data Sentiment Analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F17%3APU122812" target="_blank" >RIV/00216305:26220/17:PU122812 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/8049932" target="_blank" >https://ieeexplore.ieee.org/document/8049932</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/SPIN.2017.8049932" target="_blank" >10.1109/SPIN.2017.8049932</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Genetic Optimization of Big Data Sentiment Analysis

Popis výsledku v původním jazyce

This paper deals with opinion mining from unstructured textual documents. The proposed method focuses on approach with minimum preliminary requirements about the knowledge of the analysed language and thus it can be deployed to any language. The proposed method builds on artificial intelligence, which consists of Support Vector Machines classifier, Big Data analysis and genetic algorithm optimization. To make the optimization feasible together with big data approach we have proposed GA operators, which significantly accelerate conversion to the accurate solutions. In this work we outperformed the traditional approaches (which use language dependent text preprocessing) for text valence classification with the highest achieved accuracy 90.09 %. The data set for validation was Czech texts.

Název v anglickém jazyce

Genetic Optimization of Big Data Sentiment Analysis

Popis výsledku anglicky

This paper deals with opinion mining from unstructured textual documents. The proposed method focuses on approach with minimum preliminary requirements about the knowledge of the analysed language and thus it can be deployed to any language. The proposed method builds on artificial intelligence, which consists of Support Vector Machines classifier, Big Data analysis and genetic algorithm optimization. To make the optimization feasible together with big data approach we have proposed GA operators, which significantly accelerate conversion to the accurate solutions. In this work we outperformed the traditional approaches (which use language dependent text preprocessing) for text valence classification with the highest achieved accuracy 90.09 %. The data set for validation was Czech texts.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2017 4th International Conference on Signal Processing and Integrated Networks (SPIN)

ISBN

978-1-5090-2796-5

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

141-144

Název nakladatele

Neuveden

Místo vydání

neuveden

Místo konání akce

Dept. of ECE, ASET, Amity University, Noida Sec-

Datum konání akce

2. 2. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000426076800029