With the explosion of Social media,

With the explosion of Social media, Opinion mining has been used rapidly in recent years. However, a few studies focused on the precision rate of feature review’s and opinion word’s extraction. These studies do not come with any optimum mechanism of supplying required precision rate for effective opinion mining. Most of these studies are based on Naïve Bayes, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and classical ontology. These systems are still imperfect for classifying the feature reviews into more degrees of polarity terms (strong negative, negative, neutral, positive and strong positive). Further, the existing classical ontology-based systems cannot extract blurred information from reviews; thus, it provides poor results. In this regard, this paper proposes a robust classification technique for feature review’s identification and semantic knowledge for opinion mining based on SVM and Fuzzy Domain Ontology (FDO). The proposed system retrieves a collection of reviews about hotel and hotel features. The SVM identifies hotel feature reviews and filter out irrelevant reviews (noises) and the FDO is then used to compute the polarity term of each feature. The amalgamation of FDO and SVM significantly increases the precision rate of review’s and opinion word’s extraction and accuracy of opinion mining. The FDO and intelligent prototype are developed using Protégé OWL-2 (Ontology Web Language) tool and JAVA

ผลลัพธ์ (ไทย) 1:

มีการระเบิดของสังคม เห็นเหมืองแร่มีการใช้อย่างรวดเร็วในปี อย่างไรก็ตาม กี่ศึกษาเน้นอัตราความแม่นยำของการสกัดคุณลักษณะรีวิวและเห็นคำ การศึกษาเหล่านี้ไม่มีกลไกใด ๆ ที่เหมาะสมของอัตราความแม่นยำที่จำเป็นสำหรับเหมืองแร่เห็นผลในการจัดหา ส่วนใหญ่ของการศึกษาเหล่านี้ขึ้นอยู่กับ Bayes ไร้เดียงสา สนับสนุนเวกเตอร์เครื่อง (SVM), เพื่อนบ้าน K-Nearest (KNN), และภววิทยาคลาสสิก ระบบเหล่านี้จะยังคงไม่สมบูรณ์สำหรับการจัดประเภทความคิดเห็นคุณลักษณะเป็นองศาเพิ่มเติมเงื่อนไขขั้วแข็งแรงลบ ลบ เป็นกลาง เป็นบวก และแข็งแรงบวก) ต่อไป อยู่คลาสสิกภววิทยา-ระบบไม่สามารถแยกข้อมูลเบลอจากความคิดเห็น จึง มันให้ผลดี ในเรื่องนี้ กระดาษนี้เสนอเทคนิคการจัดประเภทที่แข็งแกร่งสำหรับรหัสคุณลักษณะรีวิวและความรู้ทางตรรกสำหรับเหมืองแร่เห็นอิง SVM และเลือนเมนภววิทยา (FDO) นำเสนอระบบดึงข้อมูลชุดของความคิดเห็นเกี่ยวกับโรงแรมและสิ่งอำนวยความสะดวก การ SVM ระบุคุณลักษณะแห่งทั้งกรองความคิดเห็นไม่เกี่ยวข้อง (เสียง) และ FDO ถูกใช้เพื่อคำนวณระยะเวลาของแต่ละคุณลักษณะขั้ว การควบรวม FDO และ SVM เพิ่มอัตราความแม่นยำของรีวิว และความเห็น word สกัด และความถูกต้องของความเห็นเหมืองแร่ FDO และอัจฉริยะต้นแบบพัฒนาโดยใช้เครื่องมือ Protégé นกฮูก-2 (ภาษาเว็บภววิทยา) และ JAVA

ผลลัพธ์ (ไทย) 2:

กับการระเบิดของสื่อทางสังคม, การทำเหมืองแร่ความเห็นถูกนำมาใช้อย่างรวดเร็วในปีที่ผ่านมา อย่างไรก็ตามการศึกษาน้อยมุ่งเน้นไปที่อัตราความแม่นยำของการสกัดการตรวจสอบคุณสมบัติและความเห็นของคำว่า การศึกษาเหล่านี้ไม่ได้มาด้วยกลไกที่เหมาะสมใด ๆ ของการจัดหาอัตราความแม่นยำที่จำเป็นสำหรับการทำเหมืองแร่ที่มีความคิดเห็นที่มีประสิทธิภาพ ส่วนใหญ่ของการศึกษาเหล่านี้จะขึ้นอยู่กับNaïve Bayes, การสนับสนุนเครื่องเวกเตอร์ (SVM) K-เพื่อนบ้านที่ใกล้ที่สุด (KNN) และอภิปรัชญาคลาสสิก ระบบเหล่านี้ยังคงไม่สมบูรณ์สำหรับการจำแนกคุณลักษณะความคิดเห็นลงในองศาเพิ่มเติมของคำขั้ว (ลบแข็งแกร่งเชิงลบที่มีความเป็นกลางและแข็งแรงบวกบวก) นอกจากนี้ที่มีอยู่ในระบบอภิปรัชญาตามคลาสสิกไม่สามารถดึงข้อมูลจากเบลอคิดเห็น; ดังนั้นจึงให้ผลลัพธ์ที่น่าสงสาร ในเรื่องนี้บทความนี้เสนอเทคนิคการจัดหมวดหมู่ที่แข็งแกร่งสำหรับการระบุการตรวจสอบคุณสมบัติและความรู้ความหมายสำหรับการทำเหมืองความเห็นบนพื้นฐานของ SVM และคลุมเครืออภิปรัชญาโดเมน (FDO) ระบบที่นำเสนอคอลเลกชันดึงความคิดเห็นเกี่ยวกับโรงแรมและโรงแรมมี SVM ระบุความคิดเห็นโรงแรมบาร์และกรองออกความคิดเห็นไม่เกี่ยวข้อง (เสียง) และ FDO ที่ใช้แล้วเพื่อคำนวณระยะขั้วของแต่ละคุณลักษณะ ผสมผสานของ FDO และ SVM อย่างมีนัยสำคัญเพิ่มอัตราความแม่นยำของการตรวจสอบและสกัดความเห็นของคำและความถูกต้องของการทำเหมืองความคิดเห็น FDO และต้นแบบอัจฉริยะที่มีการพัฒนาโดยใช้นกฮูกProtégé-2 (Ontology Web Language) เครื่องมือและ Java

ผลลัพธ์ (ไทย) 3:

ด้วยการระเบิดของสื่อสังคม , การทำเหมืองข้อมูลความคิดเห็นถูกใช้อย่างรวดเร็วในปีล่าสุด อย่างไรก็ตาม มีการศึกษาที่เน้นความแม่นยำอัตราการสกัดคุณลักษณะทบทวนความเห็นของคำ . การศึกษาเหล่านี้ไม่ได้มาใด ๆที่เหมาะสมกับกลไกของการขายต้องมีความแม่นยําคะแนนสำหรับการทำเหมืองข้อมูลความคิดเห็นที่มีประสิทธิภาพ ส่วนใหญ่ของการศึกษาเหล่านี้จะขึ้นอยู่กับ na ไตได้ Bayes เครื่องเวกเตอร์สนับสนุน ( SVM ) ละเพื่อนบ้าน ( knn ) , และคลาสสิกอภิปรัชญา . ระบบเหล่านี้จะยังคงไม่สมบูรณ์สำหรับการจำแนกคุณลักษณะความคิดเห็นเป็นองศามากกว่าขั้ว ( แรงด้านลบ ด้านลบ เป็นกลาง เป็นบวก และบวกแรง ) เพิ่มเติม ที่มีอยู่คลาสสิกอภิปรัชญาสกัดไม่สามารถระบบที่ใช้ข้อมูลจากรีวิวเบลอ ; ดังนั้นจึงให้ผลลัพธ์ที่ไม่ดี ในการนี้ กระดาษนี้นำเสนอเทคนิคการจำแนกที่แข็งแกร่งสำหรับการตรวจสอบคุณลักษณะและความรู้ความหมายสำหรับการทำเหมืองข้อมูลความคิดเห็นบนพื้นฐานของ SVM และโดเมนอภิปรัชญาแบบฟัซซี่ ( fdo ) ระบบดึงคอลเลกชันของความคิดเห็นเกี่ยวกับโรงแรมและโรงแรม รีวิวโรงแรม SVM ระบุคุณลักษณะและกรองออกความคิดเห็นไม่เกี่ยวข้อง ( เสียง ) และ fdo ใช้แล้วหาขั้วในระยะของแต่ละคุณลักษณะ การควบ fdo SVM อย่างมากช่วยเพิ่มความแม่นยำและอัตราการตรวจสอบและการสกัดความคิดเห็นข่าวและความถูกต้องของการทำเหมืองข้อมูลความคิดเห็น . การ fdo และต้นแบบอัจฉริยะพัฒนาโดยใช้เมซุท เอิทซิล owl-2 ( เว็บภาษาอภิปรัชญา ) เครื่องมือและจาวา