手順２の結果と考察

 次に，手順２によって感情極性分類を行なった．コーパスには楽天ユーザーレビュー を使用した．トレーニングデータは，それぞれ5.3万件，2.7万件，1.35万件，0.7万件，

0.35万件をランダムに取得した．また，テストデータは1.4万件をトレーニングデータと 重複無くランダムに取得した． 図4.6と表4.2に，bigramを抽出したデータだけを学習 させた場合の実験結果を示す．精度は訓練事例の数を増加していくと精度は増加するも のの，トレーニングデータの数に比べ精度の向上度合いは少なかった．図4.7と表4.3に，

trigramを抽出したデータだけを学習させた場合の実験結果を示す．精度は訓練事例の数

に比例して増加していく，しかし，bigramと同様に向上度合いは少なかった．これらは，

unigramに比べると高い精度を示した．

表 4.2: bigramを用いた実験結果

データ数 3500 7000 13500 27000 53000 Precision 50.35 50.43 50.86 50.87 50.63 Recall 99.38 99.25 97.61 97.83 98.96 F値 66.83 66.87 66.87 66.93 66.98

表 4.3: trigramを用いた実験結果

データ数 3500 7000 13500 27000 53000 Precision 50.40 50.28 50.30 50.28 50.26 Recall 98.25 98.80 99.28 99.47 99.55 F値 66.62 66.64 66.77 66.79 66.79

4.3.3 _{手順３の結果と考察}

 次に，手順３によって感情極性分類を行なった．コーパスには楽天ユーザーレビュー を使用した．トレーニングデータは，それぞれ5.3万件，2.7万件，1.35万件，0.7万件，

0.35万件をランダムに取得した．また，テストデータは1.4万件をトレーニングデータと 重複無くランダムに取得した．図4.8と表4.4に，unigramと感情極性単語総数を抽出し たデータを学習させた場合の実験結果を示す．精度は，unigramのみを抽出したデータを 学習させた場合に比べて，若干下がるものとなった．これは，unigramで抽出した素性ベ クトルが多いため，感情極性単語総数が効果的に作用しなかったためと考えられる．図 4.9と表4.5に，bigramと感情極性単語総数を抽出したデータを学習させた場合の実験結 果を示す．精度は，bigramのみを抽出したデータを学習させた場合に比べ，精度は向上

図 4.7: bigramを用いたデータセット

図 4.8: trigramを用いたデータセット

した．図4.10と表4.6に，trigramと感情極性単語総数を抽出したデータを学習させた場 合の実験結果を示す．精度は，trigramのみを抽出したデータとあまり変わらなかった．

表 4.4: unigramと感情極性単語を用いた実験結果

データ数 3500 7000 13500 27000 53000 Precision 49.77 49.87 49.77 49.95 50.12 Recall 96.78 96.65 96.78 97.71 98.55 F値 65.73 65.79 65.73 66.10 66.44

表 4.5: bigramと感情極性単語を用いた実験結果

データ数 3500 7000 13500 27000 53000 Precision 50.35 50.43 50.66 50.86 51.44 Recall 99.38 99.13 98.97 97.76 96.58 F値 66.83 66.85 67.01 66.90 67.12

表 4.6: trigramと感情極性単語を用いた実験結果 データ数 3500 7000 13500 27000 53000 Precision 50.34 50.39 50.3 50.29 50.27 Recall 98.63 98.79 99.28 99.46 99.55 F値 66.65 66.73 66.77 66.80 66.80

図 4.9: unigramと感情極性単語を用いたデータセット

図 4.10: bigramと感情極性単語を用いたデータセット

図 4.11: trigramと感情極性単語を用いたデータセット

4.3.4 _{提案手法の結果と考察}

 次に，提案手法を用いて感情極性分類を行なった．コーパスには楽天ユーザーレビュー を使用した．コーパスには楽天ユーザーレビューを使用した．トレーニングデータは，そ れぞれ5.3万件，2.7万件，1.35万件，0.7万件，0.35万件をランダムに取得した．また，テ ストデータは1.4万件をトレーニングデータと重複無くランダムに取得した．図4.11と表 4.7に，unigramと提案手法を用いて抽出したデータを学習させた場合の実験結果を示す．

精度は，他のunigramと比べて高いものとなった．図4.12と表4.8に，bigramと提案手 法を用いて抽出したデータを学習させた場合の実験結果を示す．精度は，他の実験に比べ て一番高いものになった．図4.13と表4.9に，trigramと提案手法を用いて抽出したデー タを学習させた場合の実験結果を示す．精度は，他のtrigramと比べ高いものとなった．

表 4.7: unigramと提案手法を用いた実験結果 データ数 3500 7000 13500 27000 53000 Precision 50.92 51.13 51.32 51.83 52.02 Recall 93.17 95.03 94.93 95.12 95.25 F値 65.85 66.48 66.62 67.09 67.29

表 4.8: bigramと提案手法を用いた実験結果 データ数 3500 7000 13500 27000 53000 Precision 51.83 51.92 52.03 52.22 52.64 Recall 96.83 97.10 96.92 97.21 97.34 F値 67.51 67.66 67.71 67.94 68.32

表 4.9: trigramと提案手法を用いた実験結果 データ数 3500 7000 13500 27000 53000 Precision 51.2 51.32 51.41 51.61 51.92 Recall 98.45 98.64 98.57 98.73 98.81 F値 67.36 67.51 67.57 67.78 68.07

図 4.12: unigramと提案手法を用いた実験結果

図 4.13: bigramと提案手法を用いた実験結果

図 4.14: trigramと提案手法を用いた実験結果