In the pre-processing step, all the

In the pre-processing step, all the English language reviews were converted into lowercase. Special symbols, words with
one character length and other unnecessary characters were eliminated from each review document. In the feature extraction
step, unigram and bi-gram patterns were extracted as sentimental patterns. To reduce the computational complexity,
especially in density estimation, we performed feature selection using the information gain technique [37]. We selected
5000 high score unigrams and bi-grams as final features. Each document was represented by a feature vector. Each entry
of a feature vector contained a feature weight. We used term presence as feature weights since this method has been confirmed
as the most effective feature weighting method in sentiment classification [26,36].

ผลลัพธ์ (ไทย) 1:

ในขั้นตอนการประมวลผลเบื้องต้น ทั้งหมดรีวิวภาษาอังกฤษได้ถูกแปลงเป็นตัวพิมพ์เล็ก สัญลักษณ์พิเศษ คำที่มีความยาวหนึ่งอักขระและอักขระอื่น ๆ ไม่จำเป็นถูกตัดออกจากเอกสารตรวจทานแต่ละ ในการสกัดคุณลักษณะขั้นตอน unigram และรูปแบบ bi-กรัมถูกสกัดเป็นลวดลายอันอ่อนหวาน เพื่อลดความซับซ้อนของการคำนวณโดยเฉพาะอย่างยิ่งในการประเมินความหนาแน่น เราทำการเลือกคุณลักษณะโดยใช้เทคนิคได้รับข้อมูล [37] เราเลือกสูง 5000 คะแนน unigrams และ bi กรัมคุณลักษณะขั้นสุดท้ายเป็นการ เอกสารแต่ละฉบับถูกแทน ด้วยเวกเตอร์คุณลักษณะ แต่ละรายการเวกเตอร์มีอยู่คุณลักษณะน้ำหนักของคุณลักษณะ เราใช้คำว่าสถานะเป็นคุณลักษณะน้ำหนักเนื่องจากวิธีการนี้ได้รับการยืนยันเป็นคุณลักษณะสุดน้ำหนักวิธีการในการจัดประเภทความเชื่อมั่น [26,36]

ผลลัพธ์ (ไทย) 2:

ในขั้นตอนก่อนการประมวลผลทุกความคิดเห็นภาษาอังกฤษถูกแปลงเป็นตัวพิมพ์เล็ก สัญลักษณ์พิเศษคำที่มีความยาวตัวอักษรหนึ่งและตัวอักษรที่ไม่จำเป็นอื่น ๆ ที่ถูกตัดออกจากการตรวจสอบเอกสารในแต่ละ
ในการสกัดคุณลักษณะขั้นตอนและรูปแบบการ unigram สองแกรมถูกสกัดเป็นรูปแบบซาบซึ้ง
เพื่อลดความซับซ้อนของการคำนวณที่โดยเฉพาะอย่างยิ่งในการประมาณค่าความหนาแน่นของเราดำเนินการเลือกคุณลักษณะการใช้เทคนิคการเพิ่มของข้อมูลที่ [37]
เราเลือก
5000 unigrams คะแนนสูงและกรัม bi-เป็นคุณสมบัติขั้นสุดท้าย เอกสารที่แต่ละคนได้แสดงโดยเวกเตอร์คุณลักษณะ
แต่ละรายการเวกเตอร์คุณลักษณะที่มีน้ำหนักคุณลักษณะ เราใช้การแสดงตนเป็นระยะน้ำหนักคุณลักษณะตั้งแต่วิธีการนี้ได้รับการยืนยันเป็นคุณสมบัติที่มีประสิทธิภาพมากที่สุดวิธีการถ่วงน้ำหนักในการจำแนกความเชื่อมั่น [26,36]