9783319797755 - prominent feature extraction for sentiment analysis: 2 (socio-affective computing) de agarwal, basant; mittal, namita (14 resultados)
Idioma: Inglés
Editorial: Springer 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
Librería: GreatBookPrices, Columbia, MD, Estados Unidos de AmericaGreatBookPrices
Contactar con el vendedorVendedor de 5 estrellasCondición: Usado - Como Nuevo
EUR 122,01
Envío por EUR 2,28Se envía dentro de Estados Unidos de AmericaCantidad disponible: 15 disponibles
Condición: As New. Unread book in perfect condition.
Idioma: Inglés
Editorial: Springer 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
Librería: Ria Christie Collections, Uxbridge, Reino UnidoRia Christie Collections
Contactar con el vendedorVendedor de 5 estrellasCondición: Nuevo
EUR 113,92
Envío por EUR 13,89Se envía de Reino Unido a Estados Unidos de AmericaCantidad disponible: Más de 20 disponibles
Condición: New. In.
Idioma: Inglés
Editorial: Springer 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
Librería: GreatBookPrices, Columbia, MD, Estados Unidos de AmericaGreatBookPrices
Contactar con el vendedorVendedor de 5 estrellasCondición: Nuevo
EUR 128,88
Envío por EUR 2,28Se envía dentro de Estados Unidos de AmericaCantidad disponible: 15 disponibles
Condición: New.
Idioma: Inglés
Editorial: Springer 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
Librería: Books Puddle, New York, NY, Estados Unidos de AmericaBooks Puddle
Contactar con el vendedorVendedor de 4 estrellasCondición: Nuevo
EUR 135,95
Envío por EUR 3,44Se envía dentro de Estados Unidos de AmericaCantidad disponible: 4 disponibles
Condición: New. pp. 122.
Idioma: Inglés
Editorial: Springer International Publishing 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
Librería: moluna, Greven, , Alemaniamoluna
Contactar con el vendedorVendedor de 5 estrellasCondición: Nuevo
EUR 92,27
Envío por EUR 48,99Se envía de Alemania a Estados Unidos de AmericaCantidad disponible: Más de 20 disponibles
Condición: New.
Idioma: Inglés
Editorial: Springer Verlag 2017
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
Librería: Revaluation Books, Exeter, , Reino UnidoRevaluation Books
Contactar con el vendedorVendedor de 5 estrellasCondición: Nuevo
EUR 151,20
Envío por EUR 11,59Se envía de Reino Unido a Estados Unidos de AmericaCantidad disponible: 2 disponibles
Paperback. Condición: Brand New. reprint edition. 124 pages. 9.25x6.10x0.28 inches. In Stock.
Más imágenesIdioma: Inglés
Editorial: Springer 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
Librería: preigu, Osnabrück, Alemaniapreigu
Contactar con el vendedorVendedor de 5 estrellasCondición: Nuevo
EUR 95,15
Envío por EUR 70,00Se envía de Alemania a Estados Unidos de AmericaCantidad disponible: 5 disponibles
Taschenbuch. Condición: Neu. Prominent Feature Extraction for Sentiment Analysis | Basant Agarwal (u. a.) | Taschenbuch | Socio-Affective Computing | xix | Englisch | 2019 | Springer | EAN 9783319797755 | Verantwortliche Person für die EU: Springer Verlag GmbH, Tiergartenstr. 17, 69121 Heidelberg, juergen[dot]hartmann[at]springe…r[dot]com | Anbieter: preigu.
Idioma: Inglés
Editorial: Springer International Publishing, Springer International Publishing 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
Librería: AHA-BUCH GmbH, Einbeck, AlemaniaAHA-BUCH GmbH
Contactar con el vendedorVendedor de 5 estrellasCondición: Nuevo
EUR 106,99
Envío por EUR 61,01Se envía de Alemania a Estados Unidos de AmericaCantidad disponible: 1 disponibles
Taschenbuch. Condición: Neu. Druck auf Anfrage Neuware - Printed after ordering - The objective of this monograph is to improve the performance of the sentiment analysis model by incorporating the semantic, syntactic and common-sense knowledge. This book proposes a novel semantic concept extraction approach that uses dependency…relations between words to extract the features from the text. Proposed approach combines the semantic and common-sense knowledge for the better understanding of the text. In addition, the book aims to extract prominent features from the unstructured text by eliminating the noisy, irrelevant and redundant features. Readers will also discover a proposed method for efficient dimensionality reduction to alleviate the data sparseness problem being faced by machine learning model. Authors pay attention to the four main findings of the book : -Performance of the sentiment analysis can be improved by reducing the redundancy among the features. Experimental results show that minimum Redundancy Maximum Relevance (mRMR) feature selection technique improves the performance of the sentiment analysis by eliminating the redundant features. - Boolean Multinomial Naive Bayes (BMNB) machine learning algorithm with mRMR feature selection technique performs better than Support Vector Machine (SVM) classifier for sentiment analysis. - The problem of data sparseness is alleviated by semantic clustering of features, which in turn improves the performance of the sentiment analysis.- Semantic relations among the words in thetext have useful cues for sentiment analysis. Common-sense knowledge in form of ConceptNet ontology acquires knowledge, which provides a better understanding of the text that improves the performance of the sentiment analysis.
Idioma: Inglés
Editorial: Springer 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
Librería: Mispah books, Redhill, SURRE, Reino UnidoMispah books
Contactar con el vendedorVendedor de 4 estrellasCondición: Nuevo
EUR 164,76
Envío por EUR 28,98Se envía de Reino Unido a Estados Unidos de AmericaCantidad disponible: 1 disponibles
Paperback. Condición: New. NEW. SHIPS FROM MULTIPLE LOCATIONS. book.
Idioma: Inglés
Editorial: Springer 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
- Impresión bajo demanda
Librería: Brook Bookstore On Demand, Napoli, NA, ItaliaBrook Bookstore On Demand
Contactar con el vendedorVendedor de 3 estrellasCondición: Nuevo
EUR 86,24
Envío por EUR 5,50Se envía de Italia a Estados Unidos de AmericaCantidad disponible: Más de 20 disponibles
Condición: new. Questo è un articolo print on demand.
Idioma: Inglés
Editorial: Springer International Publishing Mrz 2019 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
- Impresión bajo demanda
Librería: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, , AlemaniaBuchWeltWeit Ludwig Meier e.K.
Contactar con el vendedorVendedor de 5 estrellasCondición: Nuevo
EUR 106,99
Envío por EUR 23,00Se envía de Alemania a Estados Unidos de AmericaCantidad disponible: 2 disponibles
Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -The objective of this monograph is to improve the performance of the sentiment analysis model by incorporating the semantic, syntactic and common-sense knowledge. This book proposes a novel semantic concept extraction approach that…uses dependency relations between words to extract the features from the text. Proposed approach combines the semantic and common-sense knowledge for the better understanding of the text. In addition, the book aims to extract prominent features from the unstructured text by eliminating the noisy, irrelevant and redundant features. Readers will also discover a proposed method for efficient dimensionality reduction to alleviate the data sparseness problem being faced by machine learning model. Authors pay attention to the four main findings of the book : -Performance of the sentiment analysis can be improved by reducing the redundancy among the features. Experimental results show that minimum Redundancy Maximum Relevance (mRMR) feature selection technique improves the performance of the sentiment analysis by eliminating the redundant features. - Boolean Multinomial Naive Bayes (BMNB) machine learning algorithm with mRMR feature selection technique performs better than Support Vector Machine (SVM) classifier for sentiment analysis. - The problem of data sparseness is alleviated by semantic clustering of features, which in turn improves the performance of the sentiment analysis.- Semantic relations among the words in the text have useful cues for sentiment analysis. Common-sense knowledge in form of ConceptNet ontology acquires knowledge, which provides a better understanding of the text that improves the performance of the sentiment analysis. 124 pp. Englisch.
Idioma: Inglés
Editorial: Springer 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
- Impresión bajo demanda
Librería: Biblios, frankfurt am main, HESSE, AlemaniaBiblios
Contactar con el vendedorVendedor de 4 estrellasCondición: Nuevo
EUR 142,39
Envío por EUR 9,95Se envía de Alemania a Estados Unidos de AmericaCantidad disponible: 4 disponibles
Condición: New. PRINT ON DEMAND pp. 122.
Idioma: Inglés
Editorial: Springer 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
- Impresión bajo demanda
Librería: Majestic Books, Hounslow, , Reino UnidoMajestic Books
Contactar con el vendedorVendedor de 4 estrellasCondición: Nuevo
EUR 163,43
Envío por EUR 7,53Se envía de Reino Unido a Estados Unidos de AmericaCantidad disponible: 4 disponibles
Condición: New. Print on Demand pp. 122.
Idioma: Inglés
Editorial: Springer, Palgrave Macmillan Mär 2019 2019
Serie: Socio-Affective Computing, Libro 2 de 10. Libro 2 de 10 - Socio-Affective Computing
- Tapa blanda
- Impresión bajo demanda
Librería: buchversandmimpf2000, Emtmannsberg, BAYE, Alemaniabuchversandmimpf2000
Contactar con el vendedorVendedor de 5 estrellasCondición: Nuevo
EUR 106,99
Envío por EUR 60,00Se envía de Alemania a Estados Unidos de AmericaCantidad disponible: 1 disponibles
Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware -The objective of this monograph is to improve the performance of the sentiment analysis model by incorporating the semantic, syntactic and common-sense knowledge. This book proposes a novel semantic concept extraction approach that uses… dependency relations between words to extract the features from the text. Proposed approach combines the semantic and common-sense knowledge for the better understanding of the text. In addition, the book aims to extract prominent features from the unstructured text by eliminating the noisy, irrelevant and redundant features. Readers will also discover a proposed method for efficient dimensionality reduction to alleviate the data sparseness problem being faced by machine learning model.Authors pay attention to the four main findings of the book :Performance of the sentiment analysis can be improved by reducing the redundancy among the features. Experimental results show that minimum Redundancy Maximum Relevance (mRMR) feature selection technique improves the performance of the sentiment analysis by eliminating the redundant features. Boolean Multinomial Naive Bayes (BMNB) machine learning algorithm with mRMR feature selection technique performs better than Support Vector Machine (SVM) classifier for sentiment analysis. The problem of data sparseness is alleviated by semantic clustering of features, which in turn improves the performance of the sentiment analysis. Semantic relations among the words in thetext have useful cues for sentiment analysis. Common-sense knowledge in form of ConceptNet ontology acquires knowledge, which provides a better understanding of the text that improves the performance of the sentiment analysis.Springer-Verlag KG, Sachsenplatz 4-6, 1201 Wien 124 pp. Englisch.
