基于加权集成的序贯三支决策情感分类

摘要

为了提高情感分类的性能，本文提出了一种基于加权集成的序贯三支决策情感分类模型。该模型首先对评论数据集的边界域使用不同的分类器获取各自的预测概率，再根据历史分类性能对不同分类器的预测概率进行加权集成，然后根据阈值和代价损失分别进行三支决策，将评论划分为正类、负类和边界域。对于边界域进行序贯的集成概率预测，并根据概率和阈值进一步划分为新的正类、负类和边界域。直至最细粒度上的边界域，最终通过集成二支决策得到最终的分类结果。研究结果表明，该模型在中文计算机评论、酒店评论和服装评论数据集上性能优于现有方法，其中在酒店评论数据集上分类准确率达到86.75%，相比于基于硬投票集成的序贯三支决策情感分类提高了3.6%。

关键词

多粒度分类 / 机器学习 / 集成学习 / 文本粒化 / 粗糙集