Genetic Optimization of Big Data Sentiment Analysis
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
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)
Návaznosti výsledku
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)
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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