Untitled

Lustria, Mia Liza A.; Kazmer, Michelle M.; Glueckauf, Robert L.; Hawkins, Robert P.; Randeree, Ebrahim; Rosario, Ivee B.; McLaughlin, Casey; Redmond, Sarah

doi:10.1002/asi.v61:11

Cited by 41 publications

(4 citation statements)

References 551 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The sentiment polarity of the phrases constituting the text was averaged to obtain the overall orientation of the text into positive or negative classes. But unsupervised learning technique best for small data set like selected number of reviews or data and performance poor as compare to supervised learning technique(Miao, Li, & Zeng, 2010).…”

mentioning

confidence: 97%

User reviews data analysis using opinion mining on web

Dubey

Rana

Shukla

2015

2015 International Conference on Futuristic Trends on Computational Analysis and Knowledge Management (ABLAZE)

View full text Add to dashboard Cite

The web world is thriving with e-commerce these days and the need for online reviews has become crucial. The product reviews guide the customers and help them in making decisions regarding various available products which otherwise would bemuse them. But, one issue hampering this decision making problem is to sift through the huge jumbled piles of reviews available on the vast web. This makes the automatic extraction, summarization, and tracking of the available opinions very beneficial for the customers looking to buy a product. The automatic summarization and classification is different for different domains and varies with the testing situations. Through this paper, we are discussing usefulness of mining the customer opinions (i.e. opinion mining) and experimenting its viability in the mobile domain. Our implementation in mobile domain will be based on three main steps: 1) Applying Part-ofspeech Tagging (POST), 2) Rule-Mining and identifying opinion words, 3) Summarizing and displaying the end results.

show abstract

mentioning

confidence: 97%

User reviews data analysis using opinion mining on web

Dubey

Rana

Shukla

2015

2015 International Conference on Futuristic Trends on Computational Analysis and Knowledge Management (ABLAZE)

View full text Add to dashboard Cite

show abstract

“…Luminance is light reflected off a surface [74]. 3 Depending on nature of radiograph, e.g. Mammography, CT.…”

mentioning

confidence: 99%

“…6(C), were 441 grouped together as one anomaly. Other anomalies too close together and too different 442 in pathology, such as (3,8) in Fig. 6(C), were excluded from the analysis, due to possible 443 spatial accuracy errors in the gaze.…”

mentioning

confidence: 99%

Pupil diameter differentiates expertise in dental radiography visual search

Castner

Appel

Eder

et al. 2019

Preprint

View full text Add to dashboard Cite

Expert behavior is characterized by rapid information processing abilities, dependent on more structured schemata in long-term memory designated for their domain-specific tasks. From this understanding, expertise can effectively reduce cognitive load on a domain-specific task. However, certain tasks could still evoke different gradations of load even for an expert, e.g., when having to detect subtle anomalies in dental radiographs. Our aim was to measure pupil diameter response to anomalies of varying levels of difficulty in expert and student dentists' visual examination of panoramic radiographs. We found that students' pupil diameter dilated significantly from baseline compared to experts, but anomaly difficulty had no effect on pupillary response. In contrast, experts' pupil diameter responded to varying levels of anomaly difficulty, where more difficult anomalies evoked greater pupil dilation from baseline. Experts thus showed proportional pupillary response indicative of increasing cognitive load with increasingly difficult anomalies, whereas students showed pupillary response indicative of higher cognitive load for all anomalies when compared to experts.

show abstract

“…3.8 Διάθεση των συλλογών στο μορφότυπο SVMF 3.8.1 Το μορφότυπο SVMF Το μορφότυπο αυτό χρησιμοποιείται για την αποτύπωση σε αρχείο της αναπαράστασης κάθε κειμένου (παραδείγματος) ή σημείου στο μοντέλο διανυσματικού χώρου. Είναι το μορφότυπο που δέχονται σαν είσοδο οι δύο διασημότερες υλοποιήσεις Μηχανών Διανυσμάτων Υποστήριξης (Support Vectors Machines), η SVMLight και SVMPerf του Thorsten Joachims11 και η libSVM των Chih-Chung Chang και Chih-Jen Lin12 .Στο μορφότυπο αυτό, κάθε παράδειγμα αναπαριστώμενο με ένα σημείο σε έναν Νδιάστατο διανυσματικό χώρο, αποτυπώνεται σε ένα αρχείο με μία γραμμή. Η γραμμή αυτή αρχίζει με έναν θετικό αριθμό αν το παράδειγμα είναι θετικό ως προς την κατηγορία ή με έναν αρνητικό αν είναι αρνητικό ως προς αυτήν.…”

unclassified

Κατηγοριοποίηση Κειμένων

Γκανόγιαννης¹

View full text Add to dashboard Cite

Η ταχεία εξάπλωση του διαδικτύου και η συνεχώς αυξανόμενη διάθεση υλικού σε ηλεκτρονική μορφή καθιστά επιτακτική την ανάγκη εύρωστων αλγορίθμων ταξινόμησης (κατηγοριοποίησης) του υλικού αυτού. Παλαιότερες τεχνικές της Μηχανικής Γνώσης (Knowledge Engineering) του '80, έχουν δώσει τη θέση τους σε τεχνικές Μηχανικής Μάθησης (Machine Learning). Μία πληθώρα μεθόδων έχουν μελετηθεί και αναπτυχθεί τα τελευταία 15 χρόνια, οι οποίες άλλες λιγότερο και άλλες περισσότερο, σημειώνουν επιτυχία στην επίλυση του προβλήματος. Τέτοιες τεχνικές για παράδειγμα είναι, τα Δένδρα Αποφάσεων, Naive Bayes, Νευρωνικά Δίκτυα, Γραμμικοί Κατηγοριοποιητές, Λογιστική Παλινδρόμηση, Perceptron, Μηχανές Διανυσμάτων Υποστήριξης κ.α. Μία σημαντική ομάδα κατηγοριοποιητών, είναι οι Γραμμικοί Κατηγοριοποιητές, οι οποίοι επιδιώκουν την κατηγοριοποίηση των παραδειγμάτων, ορίζοντας διαχωριστικά υπερεπίπεδα μεταξύ τους. Είδη τέτοιων κατηγοριοποιητών αποτελούν ο κατηγοριοποιητής κεντροειδών (centroid classifier), ο κατηγοριοποιητής Rocchio και ο κατηγοριοποιητής Perceptron. Συνδυάζοντας στοιχεία και χαρακτηριστικά των τριών αυτών απλών κατηγοριοποιητών, ορίζεται ένας νέος γρήγορος και ακριβής γραμμικός κατηγοριοποιητής, παίρνοντας το συμβολικό όνομα Modified Perceptron, εξαιτίας της ομοιότητάς του με τον κλασικό κατηγοριοποιητή Perceptron. Ο νέος αυτός κατηγοριοποιητής αποδεικνύεται ότι συγκλίνει και δείχνεται πειραματικά ότι συγκλίνει αρκετά γρηγορότερα από άλλους γραμμικούς κατηγοριοποιητές. Αξιολογώντας την επίδοσή του στην κατηγοριοποίηση διεθνών συλλογών κειμένων και συλλογών διαγωνισμών, φαίνεται ότι επιτυγχάνει επιδόσεις συγκρίσιμες και τις περισσότερες φορές καλύτερες με τις κορυφαίες τεχνικές κατηγοριοποίησης κειμένων, όπως για παράδειγμα είναι τα SVMs. Σημειωτέον ότι στη συμμετοχή μας στο ECML challenge 2008 απέσπασε την πρώτη θέση σε πρόβλημα ‘link spamming” σε κοινωνικά δίκτυα. Η αξιολόγηση του αλγόριθμου γίνεται με το κλασικό μοντέλο της επίπεδης κατηγοριοποίησης, όπου κάθε κατηγορία θεωρείται ανεξάρτητη από κάθε άλλη. Η τεχνική αυτή του «ενός έναντι όλων» έχει όμως τους περιορισμούς της όπως είναι η κλιμάκωση του αλγόριθμου όταν το πλήθος το κατηγοριών είναι αρκετά μεγάλο ή τα προς ταξινόμηση παραδείγματα είναι πολλά. Οι περιορισμοί αναφέρονται στο χώρο αφού όλοι οι ταξινομητές πρέπει να φυλάσσονται στη μνήμη. Χαρακτηριστικό παράδειγμα του προβλήματος περιλαμβάνει 20,000 ταξινομητές μεγέθους 800,000 χαρακτηριστικών ο καθένας. Ως προς το χρόνο η πολυπλοκότητα του προβλήματος είναι Ο(ΝΜ) όπου Ν είναι το πλήθος των ταξινομητών και Μ το μέγεθος των διανυσμάτων των προς ταξινόμηση κειμένων. Για την υπέρβαση των περιορισμών αυτών υλοποιήθηκε ένα μοντέλο ιεραρχικής κατηγοριοποίησης. Επίσης ορίστηκαν οι σχέσεις εξάρτησης μεταξύ των κατηγοριών και πραγματοποιήθηκε μια πειραματική διερεύνηση όσο αφορά την δειγματοληψία για την δημιουργία των παραδειγμάτων εκπαίδευσης ιδιαίτερα των αρνητικών παραδειγμάτων. Ο αλγόριθμος εφαρμόστηκε σε πολύ μεγάλα προβλήματα κατηγοριοποίησης με επιτυχία και άνοιξε νέα θέματα για περαιτέρω βελτιώσεις.

show abstract

Untitled

Cited by 41 publications

References 551 publications

User reviews data analysis using opinion mining on web

User reviews data analysis using opinion mining on web

Pupil diameter differentiates expertise in dental radiography visual search

Κατηγοριοποίηση Κειμένων

Contact Info

Product

Resources

About