بهبود تعیین قطبیت جمله در تحلیل احساسات مبتنی بر الگوریتم یادگیری عمیق RNN و LSTM

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 299

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ABMIR-1-1_010

تاریخ نمایه سازی: 1 بهمن 1401

چکیده مقاله:

امروزه به دلیل وجود حجم انبوه نظرات منتشرشده توسط افراد در فضای مجازی، تحلیل احساسات نقش اساسی را در استخراج اطلاعات بازی می-کند. یکی از تکنیکهای نوین براساس مطالعات انجام شده به منظور تعیین دقیق تر قطبیت جمله در تحلیل احساسات مبتنی بر الگوریتم های یادگیری عمیق است. در این تحقیق به منظور تعیین قطبیت نظرات متنی از الگوریتم یادگیری عمیق LSTM و RNN استفاده شده است تا با بررسی و مقایسه این دو الگوریتم بتوان الگوریتم مناسب برای تحلیل احساسات را انتخاب نمود. همچنین در روش پیشنهادی برای تعیین روابط معنایی بین کلمات از روش تعبیه گذاری کلمات از پیش آموزش داده شده ی Wordtovec استفاده شد تا دقت روش پیشنهادی افزایش یابد. روش پیشنهادی بر روی دو مجموعه داده airline-tweet و IMDB ارزیابی شد. نتایج ارزیابی نشان می دهد که روش پیشنهادی بر روی مجموعه داده airline-tweet در صورت استفاده از تعبیه گذاری Wordtovec دقت ۷۸/۰ دارد. همچنین روش پیشنهادی بر روی مجموعه داده IMDB در صورت استفاده از تعبیه گذاری Wordtovec دقت ۸۴/۰ دارد.

کلیدواژه ها:

تجزیه و تحلیل احساسات ، یادگیری عمیق ، RNN ، LSTM ، تعبیه گذاری کلمات

نویسندگان

نرجس چاوش

گروه مهندسی کامپیوتر- واحد یزد- دانشگاه آزاد اسلامی- یزد- ایران

سیما عمادی

دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد یزد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • M., Huang, Q., Qian, X., Zhu, "Encoding syntactic knowledge in ...
  • H., Jiang, F., Qin, J., Cao, Y., Peng, Y., Shao, ...
  • Y., Zhang, J., Wang, X., Zhang, "Conciseness is better: Recurrent ...
  • A., Abdi, SM., Shamsuddin, S. Hasan, J., Piran. "Deep learning-based ...
  • D., Jatnika, MA., Bijaksana, AA., Suryani, "Word۲vec model analysis for ...
  • Z., Guan, L., Chen, W., Zhao, Y., Zheng, S., Tan, ...
  • AS., Zharmagambetov, AA., Pak, "Sentiment analysis of a document using ...
  • A., Mousa, B., Schuller, "Contextual bidirectional long short-term memory recurrent ...
  • Z., Teng, DT., Vo, Y. Zhang, "Context-sensitive lexicon features for ...
  • Q., Qian, M., Huang, J., Lei, X., Zhu, "Linguistically regularized ...
  • X., Wang, W., Jiang, Z., Luo, "Combination of convolutional and ...
  • C, Guggilla, T., Miller, I., Gurevych, "CNN-and LSTM-based claim classification ...
  • Mohammdi, Rezaeian, Pazhohan, “Determine the polarity of users' opinions and ...
  • KN., Singh, SD., Devi, HM., Devi, AK., Mahanta, "A novel ...
  • J., Schmidhuber, "Deep learning in neural networks: An overview", Neural ...
  • نمایش کامل مراجع