یک مدل عمیق دو جهته CNN-RNN مبتنی بر توجه برای تجزیه و تحلیل احساسات جهت هوشمندسازی و سایبر در جنگ های آینده

تجزیه و تحلیل احساسات یک موضوع تحقیقاتی داغ در زمینه پردازش زبان طبیعی و داده کاوی در دهه گذشته بوده است. اخیرا، مدل های شبکه عصبی عمیق (DNN) در وظایف تحلیل احساسات برای به دست آوردن نتایج امیدوارکننده استفاده می شوند. در میان معماری های عصبی مختلف که برای تحلیل احساسات به کار می روند، مدل های حافظه طولانی کوتاه مدت (LSTM) و انواع آن مانند واحد بازگشتی دروازه ای (GRU) توجه روزافزونی را به خود جلب کرده اند. اگرچه این مدل ها قادر به پردازش توالی هایی با طول دلخواه هستند، استفاده از آن ها در لایه استخراج ویژگی یک DNN فضای ویژگی را با ابعاد بالا می سازد. یکی دیگر از اشکالات این مدل ها این است که ویژگی های مختلف را به یک اندازه مهم می دانند. برای رسیدگی به این مشکلات، ما یک تحلیل احساسات مبتنی بر توجه را با استفاده از CNN و دو شبکه RNN دو طرفه مستقل برای رسیدگی به مشکلات ذکر شده و بهبود دانش احساسات پیشنهاد می کنیم. این مدل تکنیک های منحصربه فرد پردازش داده، نمایش کلمه، و تکنیک های DL، از جمله مکانیزم های مبتنی بر توجه را ترکیب می کند. پردازش داده برای رسیدگی به چالش های داده های رسانه های اجتماعی، مانند تصحیح املا و دقت آموزش مدل آسیب استفاده می شود.

کلیدواژه ها:

تحلیل احساسات ، یادگیری عمیق ، شبکه عصبی کانولوشنال ، هوشمندسازی ، سایبر در جنگ های آینده