La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Polarity Classification of Social Media Feeds Using Incremental Learning — A Deep Learning Approach Classification de polarité des flux de médias sociaux à l'aide de l'apprentissage incrémentiel - Une approche d'apprentissage en profondeur

Suresh JAGANATHAN, Sathya MADHUSUDHANAN

  • Vues en texte intégral

    0

  • Citer

Résumé:

Les flux en ligne sont diffusés en continu par lots avec des polarités variées et à des moments variables. Le système gérant les flux en ligne doit être formé pour classer toutes les polarités variables se produisant dynamiquement. Le système de classification de polarité conçu pour les flux en ligne doit répondre à deux défis importants : i) stabilité-plasticité, ii) prolifération des catégories. Les défis rencontrés dans la classification de polarité des flux en ligne peuvent être résolus à l'aide de la technique d'apprentissage incrémental, qui sert à apprendre de nouvelles classes de manière dynamique et à conserver également les connaissances acquises précédemment. Cet article propose une nouvelle méthodologie d'apprentissage incrémental, ILOF (Incremental Learning of Online Feeds) pour classer les flux en adoptant des techniques d'apprentissage profond telles que RNN (Recurrent Neural Networks) et LSTM (Long Short Term Memory) ainsi que ELM (Extreme Learning Machine). pour résoudre les problèmes mentionnés ci-dessus. La méthode proposée crée un modèle distinct pour chaque lot à l'aide d'ELM et apprend progressivement des lots formés. L'entraînement de chaque lot évite le recyclage des anciens flux, économisant ainsi du temps d'entraînement et de l'espace mémoire. Les aliments formés peuvent être jetés lorsqu’un nouveau lot d’aliments arrive. Les expériences sont réalisées à l'aide d'ensembles de données standard comprenant des flux longs (IMDB, Sentiment140) et des flux courts (Twitter, WhatsApp et Twitter sur le sentiment des compagnies aériennes) et la méthode proposée a montré des résultats positifs en termes de meilleures performances et de précision.

Publication
IEICE TRANSACTIONS on Fundamentals Vol.E105-A No.3 pp.584-593
Date de publication
2022/03/01
Publicisé
2021/09/15
ISSN en ligne
1745-1337
DOI
10.1587/transfun.2021EAP1046
Type de manuscrit
PAPER
Catégories
Réseaux de neurones et bio-ingénierie

Auteurs

Suresh JAGANATHAN
  Sri Sivasubramaniya Nadar College of Engineering
Sathya MADHUSUDHANAN
  Sri Sivasubramaniya Nadar College of Engineering

Mots-clés

Table des matières