Neil Zhu，簡書ID Not_GOD，University AI 創(chuàng)始人 & Chief Scientist，致力于推進世界人工智能化進程虎眨。制定并實施 UAI 中長期增長戰(zhàn)略和目標，帶領團隊快速成長為人工智能領域最專業(yè)的力量镶摘。
作為行業(yè)領導者嗽桩，他和UAI一起在2014年創(chuàng)建了TASA（中國最早的人工智能社團）, DL Center（深度學習知識中心全球價值網(wǎng)絡），AI growth（行業(yè)智庫培訓）等凄敢，為中國的人工智能人才建設輸送了大量的血液和養(yǎng)分碌冶。此外，他還參與或者舉辦過各類國際性的人工智能峰會和活動贡未，產(chǎn)生了巨大的影響力种樱，書寫了60萬字的人工智能精品技術內容，生產(chǎn)翻譯了全球第一本深度學習入門書《神經(jīng)網(wǎng)絡與深度學習》俊卤，生產(chǎn)的內容被大量的專業(yè)垂直公眾號和媒體轉載與連載嫩挤。曾經(jīng)受邀為國內頂尖大學制定人工智能學習規(guī)劃和教授人工智能前沿課程，均受學生和老師好評消恍。
情感分類
當我們知道 觀點持有者岂昭、目標、內容和上下文的時候狠怨，就可以嘗試進行 觀點的情感分析了
任務的定義
- 輸入： 包含觀點的文本對象
- 輸出：觀點的標簽
- 極性分析：如 正面 反面 中立约啊；{5, 4, 3, 2, 1}
- 情感分析：如 高興 悲傷 恐懼 憤怒 驚奇 反感
- 這是文本分類一種特殊情形：任何文本分類的方法都可以被用作情感分類
- 更多的提升
- 更加細致精密的特征選擇
- 考慮分類的順序（ordinal regression）
經(jīng)常使用的文本特征
- 字符的n-gram：可以混合使用不同的 n
- 更加通用，不受拼寫識別的錯誤影響佣赖，但是相比于詞區(qū)分度低
- 詞的n-gram：可以混合使用不同的 n
- unigram 不適合情感分類（比如 it's not good 或者 it's not as good as）
- 長的 n-gram 區(qū)分度好恰矩，但也會造成 過匹配
- POS tag n-gram：將詞和位置的tag混合使用
- 如 “ADJECTIVE NOUN” 或者 great NOUN
- 詞的類別
- 語法（=POS tag）
- 語義概念：如 thesaurus/ontology, 已經(jīng)識別的實體
- 經(jīng)驗上的詞聚類（e.g., cluster of paradigmatically or syntagmatically related words）
- 文本中頻繁模式（如 頻繁詞集合，collocations）
- 比詞更加具體和具有區(qū)分度
- 比純的 n-gram 泛化性更好
- 分析樹（頻繁的子樹憎蛤，路徑）
- 更加具有區(qū)分度外傅，不過也需解決過匹配的問題
- 模式發(fā)現(xiàn)算法在特征構造的過程中非常有用
NLP 增強了文本表示，獲得更加復雜的特征
Paste_Image.png
用作文本分類的特征構造
- 特征設計顯著影響分類的準確性
- 機器學習俩檬、誤差分析和領域知識的并用更加有效
- 領域知識：種子特征 特征空間
- 機器學習：特征選擇 特征學習
- 誤差分析：特征驗證
- NLP 增強了文本的表示：特征空間（更可能會過匹配）
- 優(yōu)化 the tradeoff between exhaustivity and specificity
