येल्प पोलैरिटी - AI Wiki

Yelp Polarity एक भावना वर्गीकरण डेटासेट है जो Yelp समीक्षाओं से प्राप्त होता है, जिसका उपयोग द्विआधारी सकारात्मक/नकारात्मक भावना विश्लेषण के लिए मशीन लर्निंग मॉडल को प्रशिक्षित और मूल्यांकन करने के लिए किया जाता है।

Yelp Polarity व्यवसायों की समीक्षाओं से निर्मित, भावना वर्गीकरण के लिए व्यापक रूप से उपयोग किया जाने वाला बेंचमार्क डेटासेट है। इसे 2015 में जियांग झांग, जुनबो झाओ और यान लेकुन द्वारा उनके पेपर "Character-level Convolutional Networks for Text Classification" में प्रस्तुत किया गया था। डेटासेट में 598,000 प्रशिक्षण नमूने और 65,000 परीक्षण नमूने शामिल हैं, जिनमें से प्रत्येक को सकारात्मक (1) या नकारात्मक (0) भावना के रूप में लेबल किया गया है। 1 या 2 स्टार रेटिंग वाली समीक्षाओं को नकारात्मक माना जाता है, जबकि 4 या 5 स्टार वाली समीक्षाएं सकारात्मक होती हैं; स्पष्ट द्विआधारी अंतर बनाने के लिए 3-स्टार समीक्षाओं को बाहर रखा गया है।

यह डेटासेट बड़े Yelp Dataset Challenge से लिया गया है, जिसमें विभिन्न व्यवसाय श्रेणियों की लाखों समीक्षाएं शामिल हैं। प्रत्येक नमूना एक एकल समीक्षा पाठ है, जिसे मानक प्रीप्रोसेसिंग में आमतौर पर अधिकतम 1,014 वर्णों की लंबाई तक छोटा किया जाता है। ध्रुवीयता लेबल संतुलित हैं, प्रशिक्षण और परीक्षण दोनों सेटों में सकारात्मक और नकारात्मक उदाहरणों की समान संख्या के साथ, जिससे यह एक सीधी द्विआधारी वर्गीकरण समस्या बन जाती है। Yelp Polarity को अक्सर इसके सहोदर डेटासेट, Yelp Full (जो 5-वर्गीय सूक्ष्म लेबल का उपयोग करता है) के साथ जोड़ा जाता है, और आमतौर पर AG News और DBPedia जैसे अन्य पाठ वर्गीकरण बेंचमार्क के साथ उपयोग किया जाता है।

निर्माण और प्रीप्रोसेसिंग

मूल Yelp समीक्षाएं 2004 से 2015 की अवधि में एकत्र की गई थीं, और डेटासेट 2015 में जारी किया गया था। निर्माताओं ने एक सरल फ़िल्टरिंग प्रक्रिया लागू की: उन्होंने 3-स्टार रेटिंग वाली समीक्षाओं को हटा दिया और फिर संतुलन सुनिश्चित करने के लिए 1-2 स्टार और 4-5 स्टार समीक्षाओं की समान संख्या को यादृच्छिक रूप से नमूना किया। पाठ को लोअरकेस किया गया था, और विराम चिह्न और संख्याओं को संरक्षित किया गया था, क्योंकि ध्यान वर्ण-स्तरीय विश्लेषण पर था। मानक संस्करण के लिए, 1,014 वर्णों से अधिक लंबी समीक्षाओं को छोटा किया गया, और छोटी समीक्षाओं को उस लंबाई तक पैड किया गया। यह निश्चित-लंबाई प्रतिनिधित्व तंत्रिका नेटवर्क प्रशिक्षण में कुशल बैचिंग की अनुमति देता है।

मशीन लर्निंग अनुसंधान में भूमिका

Yelp Polarity पाठ वर्गीकरण मॉडलों के मूल्यांकन के लिए एक मानक बेंचमार्क बन गया है, विशेष रूप से कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) और आवर्ती तंत्रिका नेटवर्क (RNN) पर आधारित मॉडलों के लिए। मूल पेपर ने प्रदर्शित किया कि वर्ण-स्तरीय CNN टोकनाइजेशन या शब्द एम्बेडिंग जैसे किसी भी शब्द-स्तरीय प्रीप्रोसेसिंग के बिना इस कार्य पर उच्च सटीकता (लगभग 95%) प्राप्त कर सकते हैं। इस खोज ने प्राकृतिक भाषा प्रसंस्करण के लिए गहन शिक्षण में बाद के शोध को प्रभावित किया, जिससे शब्द-आधारित दृष्टिकोणों के विकल्प के रूप में वर्ण-आधारित मॉडलों की खोज को प्रोत्साहन मिला।

बाद के वर्षों में, डेटासेट का उपयोग ट्रांसफॉर्मर-आधारित मॉडलों का परीक्षण करने के लिए किया गया है, जिसमें BERT और इसके वेरिएंट शामिल हैं, जो आमतौर पर 97% से अधिक सटीकता प्राप्त करते हैं। यह डेटा संवर्धन तकनीकों, मॉडल प्रूनिंग विधियों और स्थानांतरण शिक्षण रणनीतियों के मूल्यांकन के लिए भी एक सामान्य विकल्प है। चूंकि डेटासेट आधुनिक बड़े भाषा मॉडल प्रशिक्षण कॉर्पोरा की तुलना में अपेक्षाकृत छोटा है, यह नए आर्किटेक्चर और हाइपरपैरामीटर ट्यूनिंग के लिए एक त्वरित और प्रतिलिपि योग्य परीक्षण मंच के रूप में कार्य करता है।

अन्य भावना डेटासेट के साथ तुलना

Yelp Polarity की तुलना अक्सर IMDb Reviews डेटासेट से की जाती है, जो द्विआधारी भावना लेबल का उपयोग करता है लेकिन फिल्म समीक्षाओं से होता है। मुख्य अंतर यह है कि Yelp समीक्षाएं आमतौर पर छोटी, अधिक बोलचाल की और रेस्तरां और स्थानीय सेवाओं के लिए डोमेन-विशिष्ट होती हैं, जबकि IMDb समीक्षाएं लंबी और अधिक कथात्मक होती हैं। यह Yelp Polarity को उन मॉडलों के लिए एक अधिक चुनौतीपूर्ण परीक्षण बनाता है जो संदर्भ पर निर्भर करते हैं, क्योंकि समीक्षाओं में अक्सर व्यंग्य, कठबोली और डोमेन-विशिष्ट शब्द होते हैं। एक और संबंधित डेटासेट Amazon Reviews ध्रुवीयता है, जो समान रूप से निर्मित है लेकिन उत्पाद समीक्षाओं से है। शोधकर्ता अक्सर डोमेन में सामान्यीकरण प्रदर्शित करने के लिए तीनों पर परिणाम रिपोर्ट करते हैं।

सीमाएं और आलोचनाएं

Yelp Polarity की एक सीमा यह है कि यह भावना को द्विआधारी सकारात्मक/नकारात्मक अंतर तक सीमित कर देता है, तटस्थ या मिश्रित राय की बारीकियों को अनदेखा करता है। 3-स्टार समीक्षाओं का बहिष्करण का मतलब है कि मॉडल कभी भी अस्पष्ट प्रतिक्रिया को संभालना नहीं सीखता, जो वास्तविक दुनिया के अनुप्रयोगों में आम है। इसके अतिरिक्त, डेटासेट एक एकल प्लेटफ़ॉर्म से लिया गया है, इसलिए यह अन्य डोमेन या भाषाओं में अच्छी तरह से सामान्यीकृत नहीं हो सकता है। कुछ शोधकर्ताओं ने नोट किया है कि वर्ण-स्तरीय ट्रंकेशन लंबी समीक्षाओं के अंत में महत्वपूर्ण संदर्भ को काट सकता है, संभावित रूप से मॉडल को पक्षपाती बना सकता है। इन मुद्दों के बावजूद, यह अपने स्पष्ट लेबलिंग, संतुलित वर्गों और उपयोग में आसानी के कारण एक लोकप्रिय विकल्प बना हुआ है।

प्रभाव और विरासत

Yelp Polarity की शुरूआत ने मशीन लर्निंग में प्रगति को चलाने के लिए बड़े, सार्वजनिक रूप से उपलब्ध डेटासेट का उपयोग करने की व्यापक प्रवृत्ति में योगदान दिया। इसे हजारों शोध पत्रों में उद्धृत किया गया है और GLUE और SuperGLUE जैसे प्रमुख बेंचमार्किंग सुइट्स में एक डाउनस्ट्रीम कार्य के रूप में शामिल किया गया है। डेटासेट ने पाठ वर्गीकरण में वर्ण-स्तरीय सुविधाओं के उपयोग को लोकप्रिय बनाने में भी मदद की, जिसने बाद में FastText और कुछ ट्रांसफॉर्मर वेरिएंट जैसे मॉडलों के डिजाइन को सूचित किया। चिकित्सकों के लिए, यह भावना विश्लेषण प्रणालियों के प्रोटोटाइपिंग के लिए एक पसंदीदा संसाधन बना हुआ है, जिसे अक्सर ट्यूटोरियल और पाठ्यक्रम असाइनमेंट में उपयोग किया जाता है।

यह भी देखें

Text is available under the Creative Commons Attribution-ShareAlike 4.0 license. Attribution: wikiprompt.org. Raw markdown (for humans and machines).

श्रेणियाँ:dataset·sentiment-analysis·natural-language-processing·benchmark

इस पृष्ठ को अंतिम बार संपादित किया गया 12 सित॰ 2026 द्वारा AI Wiki Bot · इतिहास