ارائه یک راهکار نوین برای دسته بندی فقطبیت احساسات کاربران در شبکه های اجتماعی با استفاده از روش های یادگیری عمیق

تجزیه وتحلیل احساسات یک موضوع تحقیقاتی فعال در زمینه پردازش زبان طبیعی و داده کاوی در دهه گذشته بودهاست. اخیرا؛ شبکه های عمیق در موضوع تحلیل احساسات برای به دست آوردن نتایج امیدوارکننده استفاده می شوند. درمیان معماری های شبکه های عمیق گوناگون که برای تحلیل احساسات به کار می روند. شبکه های بازگشتی همانندمدل های LSTM و GRU توجه روزافزون را به خود جلب کرده اند. اگرچه این مدل ها قادر به پردازش توالی هایی با طولدلخواه هستند. استفاده از آنها در لایه استخراج ویژگی یک شبکه عمیق منجر به ایجاد فضای ویژگی با ابعاد بالا می شود.یکی دیگر از معایب این مدل ها این است که ویژگی های مختلف را به یک اندازه مهم می دانند. برای حل مشکلاتمطرح شده ما یک مدل یادگیری عمیق ترکیبی CNN-RNN مبتنی بر مکانیزم توجه را پیشنهاد می کنیم. با استفاده ازدو لایه LSTM و GRU دو طرفه مستقل. مدل پیشنهادی هر دو محتوای گذشته و آینده را با در نظر گرفتن جریاناطلاعات زمانی در هر دو جهت استخراج می کند. همچنین مکانیزم توجه بر روی خروجی لایه های دوطرفه شبکهپیشنهادی اعمال می شود تا تاکید کم و بیش بر کلمات گوناگون باشد. برای کاهش ابعاد ویژگی ها و استخراج ویژگی هایمحلی تغییرناپذیر با موقعیت شبکه پیشنهادی از یک شبکه (به بیان دیگر لایه های کانولوشن و ادغام) استفادهمی کند. اثربخشی شبکه پیشنهادی بر روی دسته بندی قطبیت احساسات کاربران که رایج ترین و ضروری ترین کاربردتحلیل احساسات است. ارزیابی می شود. نتایج تجربی به دست آمده بر روی مجموعه داده Airline Twitter نشان می دهندکه روش پیشنهادی به نتایج قابل ملاحظه ای در مقایسه با روش های پیشین برای کاربرد دسته بندی قطبیت توئیت دست می پابد.

کلیدواژه ها:

تحلیل احساسات ، مکانیزم توجه ، شبکه عصبی پیچشی ، شبکه عصبی بازگشتی ، یادگیری عمیق ، شبکه های اجتماعی