狠狠撸

狠狠撸Share a Scribd company logo

文献紹介：Mine the Easy, Classify the Hard: A Semi-Supervised Approach to Automatic Sentiment Classification

?
?
Shohei Okada
Shohei Okada

動画 http://youtu.be/QbsMuMRXxWY?list=UUhwtfJp9l_thFbFDWXoGWEQ

1 of 56
Download to read offline
文献紹介 2014/07/03 長岡技術科学大学 自然言語処理研究室 岡田正平
文献情報 SajibDasguptaand Vincent Ng Mine the Easy, Classify the Hard: A semi- Supervised Approach to Automatic Sentiment Classification In Proceedings of the 47th Annual Meeting of the ACL and the 4th IJCNLP of the AFNLP, pp 701-709. 2009 2014/7/3 文献紹介 2
概要 ? semi-supervised approach to sentiment classification ? はじめに曖昧でないデータだけを分けて，その 結果を利用して曖昧なデータを分類する手法 2014/7/3 文献紹介 3
背景 2014/7/3 文献紹介 4
背景 polarityclassification はtopic-based text classification と比べ曖昧性が多い ? 1つのレビュー内で良い部分と悪い部分の両方に 言及する ? 長々と解説して，最後にちょっとだけ自分の 意見を言う 2014/7/3 文献紹介 5
背景 過去に行われた研究(supervised approach) ? 客観的な部分を独立に学習?分類 ? positive/negativeの他にneutralも用いる ? sentence-and document-level sentiment analysis を同時に扱うモデル ? 大量の手動アノテーションが必要 2014/7/3 文献紹介 6
背景 unsupervised approachは意義は大きいが 難しい ? domain-specific なことが一因 ? 一般的なクラスタリング手法では，有効な素性 を同定できない 2014/7/3 文献紹介 7
背景 提案手法(semi-supervised) “mine the easy, classify the hard”approach ? 最初に曖昧でないレビュー(i.e., “easy”)を同定し ラベル付けを行う ? 次に曖昧なレビュー(i.e., “hard”)を扱う 2014/7/3 文献紹介 8
Spectral Clustering
Spectral Clustering k-means法では線形分離不可能なデータに 対応不可 ? Spectral Clusteringを適用 – 情報を保ちつつ低次元空間に移してから クラスタリングを行う 2014/7/3 文献紹介 10
Spectral Clustering ?: 各データ間の類似度行列 ?: (?,?)の要素が?の?番目の行の総和である 対角行列 ?: ラプラシアン行列 ?=?1/2???1/2 2014/7/3 文献紹介 11
Spectral Clustering ? ?について，固有値の大きい方から?個の固有ベ クトルで新しい行列をつくる – 各データ点が?次元空間に移される ? 各行を単位長に正規化（各符号は保持） ? k-means法によりクラスタリングを行う 2014/7/3 文献紹介 12
Spectral Clustering ※各次元は1つの固有ベクトルにより定義される ? 固有値の大きい固有ベクトルはデータに対して 大きい分散を持つ ? （クラスタリングのために）重要な次元が選択 されると考えられる 2014/7/3 文献紹介 13
Spectral Clustering 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 14
提案手法
提案手法 ? spectral clustering を用いても，うまく 分離できるとは限らない – 曖昧なレビューが存在するため ? 一度に全てクラスタリングせず，曖昧なレ ビューは別で扱う 2014/7/3 文献紹介 16
提案手法 1. spectral clustering を用いて曖昧でない(i.e., “easy”)レビューを同定?分類 2. 少数の曖昧な(i.e., “hard”)レビューに対し手動で ラベリング 3. これらを使って残りのレビューを分類 2014/7/3 文献紹介 17
提案手法 1. spectral clustering を用いて曖昧でない(i.e., “easy”)レビューを同定?分類 2. 少数の曖昧な(i.e., “hard”)レビューに対し手動で ラベリング 3. これらを使って残りのレビューを分類 2014/7/3 文献紹介 18
提案手法| step 1 ? 素性ベクトルはBOW – 句読点, 長さ1の単語，単一のレビューにしか 現れない語を除去 – 文書頻度の高い方から1.5%の語も除去 ? 類似度行列の計算には，内積を用いる – ただし，対角成分は0とする 2014/7/3 文献紹介 19
提案手法| step 1 どの固有ベクトルを用いるか？ ? 一般に2番目の固有ベクトルのみを用いるのが良 いと言われている ? 提案手法の場合は必ずしもそうではない ? 5番目までの固有ベクトルを用いる （→次ページに続く） 2014/7/3 文献紹介 20
提案手法| step 1 各固有ベクトルに対して 1. ?個の要素それぞれを閾値として扱う （?通りの分割方法が存在することになる） 2. 各分割方法についてcut-valueを計算する 3. 最小のcut-valueを選ぶ 最小のcut-valueを持つ固有ベクトルを用いる 2014/7/3 文献紹介 21
提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 22
提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 23
提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 24
提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 25 曖昧なレビュー
提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 26
提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 27
提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 28
提案手法| step 1 1. データ点集合?から先述の手順に従って ラプラシアン行列の固有ベクトルを選ぶ 2. 固有ベクトルにしたがって?をソートし 中央の?個のデータを取り除く 3. データ点の数が?個になるまで1,2を繰り返す 4. 固有ベクトルを用いて，2-meansによる クラスタリングを行う 2014/7/3 文献紹介 29
提案手法| step 1 筆者らの実験では ? ?=50 ? ?=500 2014/7/3 文献紹介 30
提案手法| step 1 得られた2クラスタに対してラベルを付ける ? 10点ずつランダムサンプリングし手動で positive/negative のタグ付け ? 半数より多くpositiveが付けられたら そのクラスタはpositive，それ以外はnegative 2014/7/3 文献紹介 31
提案手法| step 1 评価データセットに対するseedの分類精度 2014/7/3 文献紹介 32
提案手法| step 1 ? Book およびDVD を除き，80%超え ? 不完全なseedデータでも，よりよく分類器を 学習させる 2014/7/3 文献紹介 33
提案手法 1. spectral clustering を用いて曖昧でない(i.e., “easy”)レビューを同定?分類 2. 少数の曖昧な(i.e., “hard”)レビューに対し手動で ラベリング 3. これらを使って残りのレビューを分類 2014/7/3 文献紹介 34
提案手法| step 2 クラスタリング手法だけでは各素性が有効か そうでないかを同定できない ? seed set を用いて極性分類に有効な素性を同定 2014/7/3 文献紹介 35
提案手法| step 2 seed set が高精度であっても，残りのデータを 精度よく分類できないことが予測される ? 曖昧なレビューとそうでないレビューの両方で 学習しなければ高精度は達成できないと仮定 ? 曖昧なレビューの中でも特に曖昧さが大きい ものから学習する方が効率がいい 2014/7/3 文献紹介 36
提案手法| step 2 active learning を適用 ? seed set を用いてSVMを学習させる ? SVMに残りのデータを入力 ? SVMの分離超平面に近いデータ点（=曖昧な点） 10個ずつを人手でタグ付け，それを含めて再学習 ? 繰り返すことで，計100個の人手によるラベル付き データを得る 2014/7/3 文献紹介 37
提案手法 1. spectral clustering を用いて曖昧でない(i.e., “easy”)レビューを同定?分類 2. 少数の曖昧な(i.e., “hard”)レビューに対し手動で ラベリング 3. これらを使って残りのレビューを分類 2014/7/3 文献紹介 38
提案手法| step 3 transductiveSVMを適用 ? step 1で得られたラベル付きデータ（低精度） の数の方が大きい （step 1: 500，step 2: 100） – 分離超平面の決定時に支配的に振る舞う 2014/7/3 文献紹介 39
提案手法| step 3 step 2で得られたラベル付きデータ（高精度）を 効率良く使い，またノイズに強い分類器を 構築したい ? 5つの分類器を別々に学習させる – それぞれ100個の高精度ラベル付きデータ （共通）と，100個の低精度ラベル付き データ（別々）で学習を行う 2014/7/3 文献紹介 40
提案手法| step 3 データセットの分け方 ? step 1 の最終的な固有値ベクトルの要素値に 基づき昇順にソート ? ?番目のデータを(? mod 5)番目のセットに含める ? ただ分けるだけでなく，信頼性の高い/低い データ点を等しく分ける 2014/7/3 文献紹介 41
提案手法| step 3 最終的に，ラベル無しデータに対して ? 5つの分類器のconfidence value （符号付）の 総和をとる ? 0以上ならpositive，それ以外ならnegative 2014/7/3 文献紹介 42
评価
评価| データセット ? movie (MOV), books (BOO), DVDs (DVD), electronics (ELE), kitchen appliances (KIT) の 5種類のレビューデータセット（ラベル付き） を使用 ? 各データセットのサイズは2000（positive, negative それぞれが1000ずつ） 2014/7/3 文献紹介 44
评価| 指標 ? 10分割交差検定を用いて精度を评価 ? Adjusted Rand Index でも评価 – ?1から1の値を取り，大きいほど良い指標 2014/7/3 文献紹介 45
评価| ベースライン 公平を期すため，各ベースラインは 100個のデータのラベルを使用できる ? Semi-supervised spectral clustering ? TransductiveSVM ? Active learning 2014/7/3 文献紹介 46
评価| 結果 2014/7/3 文献紹介 47
评価| 結果 2014/7/3 文献紹介 48
评価| 結果 ? いずれのデータセット?评価指標でも， 提案手法が最高結果を達成 ? step 1 の段階でも，ベースラインに匹敵する 精度を達成 ? ステップを追うごとに精度は向上していく 2014/7/3 文献紹介 49
评価| 追加実験 どの部分が性能に影響を与えているのかを調べる ? 次の7つの手法を评価する 2014/7/3 文献紹介 50
评価| 追加実験 ? seeds を得る際にsingle step で行う ? seeds を用いない ? 曖昧さの小さい方から100個のみをseeds とする ? 分類器を5つに分けない ? passive learningを用いる(100個をランダムに選ぶ) ? active learning で500個のデータを得る ? fully supervised 2014/7/3 文献紹介 51
评価| 追加実験 2014/7/3 文献紹介 52
评価| 追加実験 2014/7/3 文献紹介 53
评価| 追加実験 ? seeds, ensemble, active learningのいずれも精度 向上に貢献している ? seedsは低精度であっても貢献している ? 3つのデータセットについては，人手による ラベル付きデータを500個程度用意することで， fully-supervised の精度をほぼ達成している 2014/7/3 文献紹介 54
结论
结论 ? 感情極性分類のsemi-supervised なアプローチ ? “mine the easy, classify the hard” apprach ? 高い精度を達成 ? 次の観点から拡張可能 – この手法は感情の分類に特化していない – 素性はBOWしか使っていない 2014/7/3 文献紹介 56

More Related Content

文献紹介：Mine the Easy, Classify the Hard: A Semi-Supervised Approach to Automatic Sentiment Classification

  • 1. 文献紹介 2014/07/03 長岡技術科学大学 自然言語処理研究室 岡田正平
  • 2. 文献情報 SajibDasguptaand Vincent Ng Mine the Easy, Classify the Hard: A semi- Supervised Approach to Automatic Sentiment Classification In Proceedings of the 47th Annual Meeting of the ACL and the 4th IJCNLP of the AFNLP, pp 701-709. 2009 2014/7/3 文献紹介 2
  • 3. 概要 ? semi-supervised approach to sentiment classification ? はじめに曖昧でないデータだけを分けて，その 結果を利用して曖昧なデータを分類する手法 2014/7/3 文献紹介 3
  • 5. 背景 polarityclassification はtopic-based text classification と比べ曖昧性が多い ? 1つのレビュー内で良い部分と悪い部分の両方に 言及する ? 長々と解説して，最後にちょっとだけ自分の 意見を言う 2014/7/3 文献紹介 5
  • 6. 背景 過去に行われた研究(supervised approach) ? 客観的な部分を独立に学習?分類 ? positive/negativeの他にneutralも用いる ? sentence-and document-level sentiment analysis を同時に扱うモデル ? 大量の手動アノテーションが必要 2014/7/3 文献紹介 6
  • 7. 背景 unsupervised approachは意義は大きいが 難しい ? domain-specific なことが一因 ? 一般的なクラスタリング手法では，有効な素性 を同定できない 2014/7/3 文献紹介 7
  • 8. 背景 提案手法(semi-supervised) “mine the easy, classify the hard”approach ? 最初に曖昧でないレビュー(i.e., “easy”)を同定し ラベル付けを行う ? 次に曖昧なレビュー(i.e., “hard”)を扱う 2014/7/3 文献紹介 8
  • 10. Spectral Clustering k-means法では線形分離不可能なデータに 対応不可 ? Spectral Clusteringを適用 – 情報を保ちつつ低次元空間に移してから クラスタリングを行う 2014/7/3 文献紹介 10
  • 11. Spectral Clustering ?: 各データ間の類似度行列 ?: (?,?)の要素が?の?番目の行の総和である 対角行列 ?: ラプラシアン行列 ?=?1/2???1/2 2014/7/3 文献紹介 11
  • 12. Spectral Clustering ? ?について，固有値の大きい方から?個の固有ベ クトルで新しい行列をつくる – 各データ点が?次元空間に移される ? 各行を単位長に正規化（各符号は保持） ? k-means法によりクラスタリングを行う 2014/7/3 文献紹介 12
  • 13. Spectral Clustering ※各次元は1つの固有ベクトルにより定義される ? 固有値の大きい固有ベクトルはデータに対して 大きい分散を持つ ? （クラスタリングのために）重要な次元が選択 されると考えられる 2014/7/3 文献紹介 13
  • 14. Spectral Clustering 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 14
  • 16. 提案手法 ? spectral clustering を用いても，うまく 分離できるとは限らない – 曖昧なレビューが存在するため ? 一度に全てクラスタリングせず，曖昧なレ ビューは別で扱う 2014/7/3 文献紹介 16
  • 17. 提案手法 1. spectral clustering を用いて曖昧でない(i.e., “easy”)レビューを同定?分類 2. 少数の曖昧な(i.e., “hard”)レビューに対し手動で ラベリング 3. これらを使って残りのレビューを分類 2014/7/3 文献紹介 17
  • 18. 提案手法 1. spectral clustering を用いて曖昧でない(i.e., “easy”)レビューを同定?分類 2. 少数の曖昧な(i.e., “hard”)レビューに対し手動で ラベリング 3. これらを使って残りのレビューを分類 2014/7/3 文献紹介 18
  • 19. 提案手法| step 1 ? 素性ベクトルはBOW – 句読点, 長さ1の単語，単一のレビューにしか 現れない語を除去 – 文書頻度の高い方から1.5%の語も除去 ? 類似度行列の計算には，内積を用いる – ただし，対角成分は0とする 2014/7/3 文献紹介 19
  • 20. 提案手法| step 1 どの固有ベクトルを用いるか？ ? 一般に2番目の固有ベクトルのみを用いるのが良 いと言われている ? 提案手法の場合は必ずしもそうではない ? 5番目までの固有ベクトルを用いる （→次ページに続く） 2014/7/3 文献紹介 20
  • 21. 提案手法| step 1 各固有ベクトルに対して 1. ?個の要素それぞれを閾値として扱う （?通りの分割方法が存在することになる） 2. 各分割方法についてcut-valueを計算する 3. 最小のcut-valueを選ぶ 最小のcut-valueを持つ固有ベクトルを用いる 2014/7/3 文献紹介 21
  • 22. 提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 22
  • 23. 提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 23
  • 24. 提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 24
  • 25. 提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 25 曖昧なレビュー
  • 26. 提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 26
  • 27. 提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 27
  • 28. 提案手法| step 1 曖昧なレビューを同定する 1110011100001100001100011 ?0.69830.7158?0.69830.7158?0.9869?0.1616?0.6224?0.7827?0.6224?0.7827 2014/7/3 文献紹介 28
  • 29. 提案手法| step 1 1. データ点集合?から先述の手順に従って ラプラシアン行列の固有ベクトルを選ぶ 2. 固有ベクトルにしたがって?をソートし 中央の?個のデータを取り除く 3. データ点の数が?個になるまで1,2を繰り返す 4. 固有ベクトルを用いて，2-meansによる クラスタリングを行う 2014/7/3 文献紹介 29
  • 30. 提案手法| step 1 筆者らの実験では ? ?=50 ? ?=500 2014/7/3 文献紹介 30
  • 31. 提案手法| step 1 得られた2クラスタに対してラベルを付ける ? 10点ずつランダムサンプリングし手動で positive/negative のタグ付け ? 半数より多くpositiveが付けられたら そのクラスタはpositive，それ以外はnegative 2014/7/3 文献紹介 31
  • 32. 提案手法| step 1 评価データセットに対するseedの分類精度 2014/7/3 文献紹介 32
  • 33. 提案手法| step 1 ? Book およびDVD を除き，80%超え ? 不完全なseedデータでも，よりよく分類器を 学習させる 2014/7/3 文献紹介 33
  • 34. 提案手法 1. spectral clustering を用いて曖昧でない(i.e., “easy”)レビューを同定?分類 2. 少数の曖昧な(i.e., “hard”)レビューに対し手動で ラベリング 3. これらを使って残りのレビューを分類 2014/7/3 文献紹介 34
  • 35. 提案手法| step 2 クラスタリング手法だけでは各素性が有効か そうでないかを同定できない ? seed set を用いて極性分類に有効な素性を同定 2014/7/3 文献紹介 35
  • 36. 提案手法| step 2 seed set が高精度であっても，残りのデータを 精度よく分類できないことが予測される ? 曖昧なレビューとそうでないレビューの両方で 学習しなければ高精度は達成できないと仮定 ? 曖昧なレビューの中でも特に曖昧さが大きい ものから学習する方が効率がいい 2014/7/3 文献紹介 36
  • 37. 提案手法| step 2 active learning を適用 ? seed set を用いてSVMを学習させる ? SVMに残りのデータを入力 ? SVMの分離超平面に近いデータ点（=曖昧な点） 10個ずつを人手でタグ付け，それを含めて再学習 ? 繰り返すことで，計100個の人手によるラベル付き データを得る 2014/7/3 文献紹介 37
  • 38. 提案手法 1. spectral clustering を用いて曖昧でない(i.e., “easy”)レビューを同定?分類 2. 少数の曖昧な(i.e., “hard”)レビューに対し手動で ラベリング 3. これらを使って残りのレビューを分類 2014/7/3 文献紹介 38
  • 39. 提案手法| step 3 transductiveSVMを適用 ? step 1で得られたラベル付きデータ（低精度） の数の方が大きい （step 1: 500，step 2: 100） – 分離超平面の決定時に支配的に振る舞う 2014/7/3 文献紹介 39
  • 40. 提案手法| step 3 step 2で得られたラベル付きデータ（高精度）を 効率良く使い，またノイズに強い分類器を 構築したい ? 5つの分類器を別々に学習させる – それぞれ100個の高精度ラベル付きデータ （共通）と，100個の低精度ラベル付き データ（別々）で学習を行う 2014/7/3 文献紹介 40
  • 41. 提案手法| step 3 データセットの分け方 ? step 1 の最終的な固有値ベクトルの要素値に 基づき昇順にソート ? ?番目のデータを(? mod 5)番目のセットに含める ? ただ分けるだけでなく，信頼性の高い/低い データ点を等しく分ける 2014/7/3 文献紹介 41
  • 42. 提案手法| step 3 最終的に，ラベル無しデータに対して ? 5つの分類器のconfidence value （符号付）の 総和をとる ? 0以上ならpositive，それ以外ならnegative 2014/7/3 文献紹介 42
  • 44. 评価| データセット ? movie (MOV), books (BOO), DVDs (DVD), electronics (ELE), kitchen appliances (KIT) の 5種類のレビューデータセット（ラベル付き） を使用 ? 各データセットのサイズは2000（positive, negative それぞれが1000ずつ） 2014/7/3 文献紹介 44
  • 45. 评価| 指標 ? 10分割交差検定を用いて精度を评価 ? Adjusted Rand Index でも评価 – ?1から1の値を取り，大きいほど良い指標 2014/7/3 文献紹介 45
  • 46. 评価| ベースライン 公平を期すため，各ベースラインは 100個のデータのラベルを使用できる ? Semi-supervised spectral clustering ? TransductiveSVM ? Active learning 2014/7/3 文献紹介 46
  • 47. 评価| 結果 2014/7/3 文献紹介 47
  • 48. 评価| 結果 2014/7/3 文献紹介 48
  • 49. 评価| 結果 ? いずれのデータセット?评価指標でも， 提案手法が最高結果を達成 ? step 1 の段階でも，ベースラインに匹敵する 精度を達成 ? ステップを追うごとに精度は向上していく 2014/7/3 文献紹介 49
  • 50. 评価| 追加実験 どの部分が性能に影響を与えているのかを調べる ? 次の7つの手法を评価する 2014/7/3 文献紹介 50
  • 51. 评価| 追加実験 ? seeds を得る際にsingle step で行う ? seeds を用いない ? 曖昧さの小さい方から100個のみをseeds とする ? 分類器を5つに分けない ? passive learningを用いる(100個をランダムに選ぶ) ? active learning で500個のデータを得る ? fully supervised 2014/7/3 文献紹介 51
  • 52. 评価| 追加実験 2014/7/3 文献紹介 52
  • 53. 评価| 追加実験 2014/7/3 文献紹介 53
  • 54. 评価| 追加実験 ? seeds, ensemble, active learningのいずれも精度 向上に貢献している ? seedsは低精度であっても貢献している ? 3つのデータセットについては，人手による ラベル付きデータを500個程度用意することで， fully-supervised の精度をほぼ達成している 2014/7/3 文献紹介 54
  • 56. 结论 ? 感情極性分類のsemi-supervised なアプローチ ? “mine the easy, classify the hard” apprach ? 高い精度を達成 ? 次の観点から拡張可能 – この手法は感情の分類に特化していない – 素性はBOWしか使っていない 2014/7/3 文献紹介 56