• español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Listar

    Todo UVaDOCComunidadesPor fecha de publicaciónAutoresMateriasTítulos

    Mi cuenta

    Acceder

    Estadísticas

    Ver Estadísticas de uso

    Compartir

    Ver ítem 
    •   UVaDOC Principal
    • PRODUCCIÓN CIENTÍFICA
    • Departamentos
    • Dpto. Teoría de la Señal y Comunicaciones e Ingeniería Telemática
    • DEP71 - Artículos de revista
    • Ver ítem
    •   UVaDOC Principal
    • PRODUCCIÓN CIENTÍFICA
    • Departamentos
    • Dpto. Teoría de la Señal y Comunicaciones e Ingeniería Telemática
    • DEP71 - Artículos de revista
    • Ver ítem
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis

    Citas

    Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/64512

    Título
    Emotion processing by applying a fuzzy-based Vader lexicon and a parallel deep belief network over massive data
    Autor
    Es-Sabery, Fatima
    Es-Sabery, Ibrahim
    Hair, Abdellatif
    Sainz de Abajo, BeatrizAutoridad UVA Orcid
    García-Zapirain, Begoña
    Año del Documento
    2022
    Editorial
    IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC.
    Descripción
    Producción Científica
    Documento Fuente
    IEEE Access, Agosto 2022, vol. 10, p. 87870-87899.
    Resumen
    Como aportación técnica desarrollamos un clasificador combinado basado en el léxico difuso de Vader (fuzzy Vader lexicon) y una ‘red paralela de creencias profundas’ para el análisis de emociones. Comparamos nuestro enfoque híbrido con los modelos híbridos alternativos y demostramos, tras los resultados, que supera a los modelos de aprendizaje profundo y de referencia, así como a otros enfoques elegidos de la literatura.
    Materias (normalizadas)
    Deep learning models
    Sentiment analysis
    Palabras Clave
    Hadoop
    Sentiment analysis
    Extractors of features
    Hadoop Distributed File System (HDFS)
    Selectors of features
    MapReduce
    Fuzzy logic
    Deep belief neural network
    ISSN
    2169-3536
    Revisión por pares
    SI
    DOI
    10.1109/ACCESS.2022.3200389
    Patrocinador
    Este trabajo ha sido financiado a través de la subvención IT 905-16, del eVIDA Research Group de la Universidad de Deusto.
    Version del Editor
    https://ieeexplore.ieee.org/document/9863839
    Propietario de los Derechos
    "© Todos los derechos reservados". Propietario de los derechos: IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC.
    Idioma
    eng
    URI
    https://uvadoc.uva.es/handle/10324/64512
    Tipo de versión
    info:eu-repo/semantics/publishedVersion
    Derechos
    openAccess
    Aparece en las colecciones
    • DEP71 - Artículos de revista [358]
    Mostrar el registro completo del ítem
    Ficheros en el ítem
    Nombre:
    Published FINAL paper.pdf
    Tamaño:
    2.407Mb
    Formato:
    Adobe PDF
    Descripción:
    Artículo principal
    Thumbnail
    Visualizar/Abrir
    Attribution-NonCommercial-NoDerivatives 4.0 InternacionalLa licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10