(especially when we want to use the

(especially when we want to use the translation results to analyse the sentiment polarity of a text). Therefore, the performance
of cross-lingual sentiment classification is different in different languages.
In order to assess whether there are significant differences in terms of accuracy between the proposed model and baseline
methods, we conducted a statistical test based on accuracy results obtained from a 5-fold cross-validation. We used a paired
t-test to evaluate whether differences between the two methods are statistically significant. Table 3 shows the numerical
results of the statistical test. With the exception of those between the DBAST and AST models in the En–Ch dataset and
between DBAST and AL in the En–Jp dataset, all other comparisons showed statistically significant differences, for a significant
level of a = 0.05.
Fig. 3 shows the classification accuracy of various active learning based methods on the three evaluation datasets. As
shown in this figure, by comparing the proposed method (DBAST) with the AST model, the classification accuracy of the proposed
model improved very quickly in the first few cycles (especially in the French language). This was because the examples
selected based on density and uncertainty were more representative than those examples selected based solely on uncertainty
in active learning. The results presented in this figure also showed that the combination of active learning with
self-training helped to obtain better performance. This was most likely due to the augmentation of the most confident automatic
classified examples, along with the manually labelled examples, into the training data during the learning process.

ผลลัพธ์ (ไทย) 1:

(โดยเฉพาะอย่างยิ่งเมื่อเราต้องการแปลผลวิเคราะห์ขั้วความเชื่อมั่นของข้อความ) ดังนั้น ประสิทธิภาพของความเชื่อมั่นโดยข้าม ประเภทได้ในภาษาต่าง ๆเพื่อประเมินว่ามีความแตกต่างอย่างมีนัยสำคัญในแง่ของความถูกต้องระหว่างการนำเสนอรูปแบบและพื้นฐานวิธี เราดำเนินการทดสอบทางสถิติตามความถูกต้องผลลัพธ์ที่ได้จากสอบข้าม 5-fold เราใช้ตัวจัดเป็นคู่t-ทดสอบเพื่อประเมินว่าความแตกต่างระหว่างสองวิธีมีอย่างมีนัยสำคัญทางสถิติ ตาราง 3 แสดงการแทนผลลัพธ์ของการทดสอบทางสถิติ ยกเว้นที่ระหว่าง DBAST และ AST รุ่นในชุดข้อมูลน้ำ – Ch และระหว่าง DBAST และ AL ในชุดข้อมูลน้ำ – Jp เปรียบเทียบอื่น ๆ ทั้งหมดแสดงให้เห็นความแตกต่างอย่างมีนัยสำคัญทางสถิติ การเป็นสำคัญระดับของการ = 0.05Fig. 3 แสดงความถูกต้องประเภทต่าง ๆ วิธีการเรียนรู้การใช้งานตามใน datasets ประเมิน 3 เป็นแสดงในรูปที่นี้ โดยการเปรียบเทียบวิธีการนำเสนอ (DBAST) กับ AST รุ่น ประเภทความถูกต้องของการนำเสนอรุ่นปรับปรุงได้อย่างรวดเร็วในรอบไม่กี่ครั้งแรก (โดยเฉพาะอย่างยิ่งในภาษาฝรั่งเศส) นี่คือเนื่องจากตัวอย่างเลือกตามความหนาแน่นและความไม่แน่นอนมีพนักงานเพิ่มมากขึ้นกว่าตัวอย่างที่เลือกตามความไม่แน่นอนในการเรียนรู้ที่ใช้งานอยู่ ผลที่แสดงในรูปนี้ยังชี้ให้เห็นว่าชุดการเรียนรู้ที่ใช้งานอยู่ด้วยฝึกอบรมด้วยตนเองช่วยให้ได้รับประสิทธิภาพที่ดีขึ้น นี้เป็นแนวโน้มมากที่สุดเนื่องจากใด ๆ อัตโนมัติมั่นใจมากที่สุดแบ่งตัวอย่าง พร้อมตัวอย่างด้วยตนเองมัน ข้อมูลการฝึกอบรมในระหว่างกระบวนการเรียนรู้

ผลลัพธ์ (ไทย) 2:

(โดยเฉพาะอย่างยิ่งเมื่อเราต้องการที่จะใช้ผลการแปลภาษาในการวิเคราะห์ความเชื่อมั่นของขั้วข้อความ)
ดังนั้นผลการดำเนินงานของการจำแนกความเชื่อมั่นข้ามภาษาที่แตกต่างกันในภาษาที่แตกต่างกัน.
เพื่อที่จะประเมินว่ามีความแตกต่างอย่างมีนัยสำคัญในแง่ของความถูกต้องระหว่างการนำเสนอรูปแบบและพื้นฐานวิธีการที่เราดำเนินการทดสอบทางสถิติบนพื้นฐานของผลความถูกต้องที่ได้รับจาก 5 พับข้ามการตรวจสอบ
เราใช้ที่จับคู่
t-test เพื่อประเมินว่าความแตกต่างระหว่างทั้งสองวิธีมีนัยสำคัญทางสถิติ ตารางที่ 3
แสดงให้เห็นถึงตัวเลขผลการทดสอบทางสถิติ ด้วยข้อยกเว้นของผู้ที่ระหว่าง DBAST และ AST รุ่นในชุดข้อมูล En-Ch
และระหว่างDBAST และอลาบาม่าในชุดข้อมูล En-Jp ทั้งหมดเปรียบเทียบอื่น ๆ
ที่แสดงให้เห็นความแตกต่างอย่างมีนัยสำคัญทางสถิติอย่างมีนัยสำคัญสำหรับระดับของ= 0.05.
รูป 3 แสดงให้เห็นถึงความถูกต้องการจัดหมวดหมู่ของการเรียนรู้วิธีการใช้งานที่แตกต่างกันขึ้นอยู่กับสามชุดข้อมูลการประเมินผล ในฐานะที่แสดงในรูปนี้โดยการเปรียบเทียบวิธีการที่นำเสนอ (DBAST) กับรูปแบบ AST
ที่ถูกต้องการจำแนกประเภทของที่นำเสนอรูปแบบการปรับตัวดีขึ้นอย่างรวดเร็วในรอบแรก (โดยเฉพาะอย่างยิ่งในภาษาฝรั่งเศส) เพราะนี่คือตัวอย่างเลือกขึ้นอยู่กับความหนาแน่นและความไม่แน่นอนเป็นตัวแทนมากกว่าตัวอย่างผู้ที่เลือกเพียงลำพังบนพื้นฐานความไม่แน่นอนในการเรียนรู้การใช้งาน ผลที่นำเสนอในรูปนี้ยังแสดงให้เห็นว่าการรวมกันของการเรียนรู้การใช้งานที่มีการฝึกอบรมการช่วยตัวเองที่จะได้รับประสิทธิภาพที่ดีขึ้น นี่คือน่าจะเกิดจากการเพิ่มขึ้นของความเชื่อมั่นมากที่สุดโดยอัตโนมัติตัวอย่างจัดพร้อมกับตัวอย่างที่มีข้อความด้วยตนเองเป็นข้อมูลการฝึกอบรมในระหว่างขั้นตอนการเรียนรู้