https://www.youtube.com/watch?v=N9L32bFieEY&t=1s
https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1234/slides/cs224n-2023-lecture10-nlg.pdf
Pada bagian 3 Decoding from NLG models
Misal memggunakan:
Dengan HMM, CRF, Deep learning based mathods
https://web.stanford.edu/~jurafsky/slp3/
Ch 8 Sequence Labeling for Parts of Speech and Named Entities
Li, Jing, et al. "A survey on deep learning for named entity recognition." IEEE transactions on knowledge and data engineering 34.1 (2020): 50-70.
Nasar, Zara, Syed Waqar Jaffry, and Muhammad Kamran Malik. "Named entity recognition and relation extraction: State-of-the-art." ACM Computing Surveys (CSUR) 54.1 (2021): 1-39.
Analisis sentimen pada dasarnya adalah klasifikasi teks (klasifikasi sentimen). Ada nama khusus "analisis sentimen", penelitian yg lebih spesifik atas data teks sentimen/opini karena ada sifat2 khusus sentimen, dibandingkan teks yg biasanya dalah fakta. Sehingga ada teknik2 khusus klasifikasi teks sentimen, yg berbeda dengan klasifikasi teks fakta.
Namun dengan adanya model deep learning sekuansial (RNN dkk), atau deep learning scr umum, biasanya model arsitektur lebih generik. Tidak ada teknik2 khusus.
Menarik untuk diteliti bagaimana analisis sentimen menggunakan model sekuensial deep learning. Unt sederhananya gunakan saja RNN. Bandungkan metode SOTA analisis sentimen yg non deep learning dengan RNN.
Salah satu yg perlu diperhatikana adalah DL scr umum perlu data lebih banyak.
Topik TA: analisis berbagai varian klasifikasi menggunakan RNN. Salah satu varian utama yang ingin dianalisis adalah cara outputnya, brnuk sederhananya, bagaimana kalau dg bi-directional RNN, outputnya ada di akhir sequence (sebelah kanan), ditempat lain (misal tengah, kiri), atau digabung. Atau mungkin dengan attention, dll. Juga untuk stacked.
Variasi juga saat pengoutputan: varian FNN dan varian2 lain
