目的 为了在当前的商业环境中保持可持续性和竞争力，了解用户对产品和服务的情绪非常有用。这项关键任务可以通过自然语言处理和机器学习分类器来实现。本文旨在提出一种新颖的概率委员会选择分类器（PCC）来分析和分类电影评论的情感极性。设计/方法/途径 为这项研究组装了一个印度电影评论语料库。另一个公开可用的电影评论极性语料库也涉及验证结果。贪婪逐步搜索方法用于提取评论的特征/词。所提出的分类器的性能是使用不同的指标来衡量的，例如 F-measure、误报率、受试者工作特征（ROC）曲线和训练时间。此外，将所提出的分类器与其他流行的机器学习分类器进行了比较，例如贝叶斯、朴素贝叶斯、决策树 (J48)、支持向量机和随机森林。结果 本研究的结果表明，所提出的分类器擅长预测电影评论的正面或负面极性。发现其性能准确性和 PCC 的 ROC 曲线值是本研究中测试的所有其他分类器中最合适的。还发现该分类器在识别评论的积极情绪方面很有效，它为本研究中使用的印度电影评论和评论极性语料库提供了低误报率。发现所提出的分类器的训练时间略高于贝叶斯，朴素贝叶斯和 J48。研究限制/影响 仅考虑用英语撰写的电影评论情绪。此外，提议的委员会选择分类器仅使用概率分类器委员会来准备；但是，也可以构建、测试其他分类器委员会并将其与当前的实验场景进行比较。实际意义在本文中，提出了一种新颖的概率方法并将其用于对电影评论进行分类，并且与其他最先进的分类器相比，该方法非常有效。该分类器可以针对不同的应用进行测试，并且可以为开发人员和研究人员提供新的见解。社会影响 提议的 PCC 可用于对不同的产品评论进行分类，因此可能有利于组织证明用户对特定产品或服务的评论是合理的。通过使用用户真实的正面和负面情绪，可以增强特定产品、服务或事件的可信度。PCC 还可以应用于其他应用程序，例如垃圾邮件检测、博客挖掘、新闻挖掘和各种其他数据挖掘应用程序。原创性/价值构建的 PCC 是新颖的，并在印度电影评论数据上进行了测试。



"点击查看英文标题和摘要"