TAILIEUCHUNG - Báo cáo khoa học: "Cross-Lingual Mixture Model for Sentiment Classification"

The amount of labeled sentiment data in English is much larger than that in other languages. Such a disproportion arouse interest in cross-lingual sentiment classification, which aims to conduct sentiment classification in the target language (. Chinese) using labeled data in the source language (. English). | Cross-Lingual Mixture Model for Sentiment Classification Xinfan Meng Furu Wei Xiaohua Liu Ming Zhou Ge Xu HoufengWang MOE Key Lab of Computational Linguistics Peking University Microsoft Research Asia mxf xuge wanghf @ fuwei xiaoliu mingzhou @ Abstract The amount of labeled sentiment data in English is much larger than that in other languages. Such a disproportion arouse interest in cross-lingual sentiment classification which aims to conduct sentiment classification in the target language . Chinese using labeled data in the source language . English . Most existing work relies on machine translation engines to directly adapt labeled data from the source language to the target language. This approach suffers from the limited coverage of vocabulary in the machine translation results. In this paper we propose a generative cross-lingual mixture model CLMM to leverage unlabeled bilingual parallel data. By fitting parameters to maximize the likelihood of the bilingual parallel data the proposed model learns previously unseen sentiment words from the large bilingual parallel data and improves vocabulary coverage significantly. Experiments on multiple data sets show that CLMM is consistently effective in two settings 1 labeled data in the target language are unavailable and 2 labeled data in the target language are also available. 1 Introduction Sentiment Analysis also known as opinion mining which aims to extract the sentiment information from text has attracted extensive attention in recent years. Sentiment classification the task of determining the sentiment orientation positive negative or neutral of text has been the most extensively studied task in sentiment analysis. There is Contribution during internship at Microsoft Research Asia. 572 already a large amount of work on sentiment classification of text in various genres and in many languages. For example Pang et al. 2002 focus on sentiment classification of movie reviews in English and

• Báo cáo khoa học
• Cross Lingual Mixture Model
• Sentiment Classification
• Xinfan Meng
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball