论文部分内容阅读
情感倾向性分析旨在识别评论中隐含的情感信息，在产品声誉分析、舆情监控、个性推荐等方面具有广阔的应用前景。在评测消费者对新发布产品的态度时，本产品领域中可供参考的已分类评论数据往往较少，而其他相关领域可能存在大量的已分类的评论数据，利用其他产品已标注的评论数据对新产品进行情感倾向性分析，属于跨领域的情感分类问题。针对这一问题，本文引入迁移学习机制，将经典迁移学习TrAdaBoost算法的样本迁移机制应用于情感倾向性分析，并针对积极类和消极类分类精度不均衡问题提出了改进策略，首先根据评论样本权重进行第一次选择