مروری بر روشهای تجزیه و تحلیل احساسات با استفاده از یادگیری عمیق

با گسترش استفاده از رسانههای اجتماعی و تولید داده های متنی، تحلیل احساسات به ابزاری قدرتمند برای درک افکار کاربران تبدیل شده است. مدلهای یادگیری عمیق مانند شبکه های حافظه طوالنی کوتاهمدت و مدلهای نمایشی دوجهته جمله برای تحلیل احساسات بهکار گرفته شدهاند. نتایج نشان می دهند که این مدلها میتوانند دقت بالایی، در تحلیل احساسات و طبقهبندی نظرات ارائه دهند، هنگامی که با مجموعه داده های جدید و ناشناخته روبهرو میشوند، دقت آنها کاهش مییابد. عالوه بر این تکنیک های مختلفی برای تحلیل دادههای بزرگ و پیچیده و تکنیکهای طبقهبندی پیشرفته مورد بررسی قرار گرفته اند که نشاندهنده عملکرد بهتر ماشین بردار پشتیبانی خطی است. همچنین، برای افزایش مقیاسپذیری و کاهش زمان اجرا، رویکردهای توزیع شده در آموزش مدلها بهکار رفته که موجب کاهش زمان اجرا بدون افت دقت مدل ها شده است. این مدلها همچنین از الگوریتم های توزیع پذیری برای تحلیل تعصبات مدل و بهبود شفافیت استفاده کردهاند. این نتایج بهطور کلی نشاندهنده اهمیت استفاده از تحلیلهای پیشرفته احساسات در تحلیل داده های جریانی، پیشبینی نتایج انتخابات و شناسایی تغییرات رفتار کاربران در شرایط خاص است. نتایج نشان میدهد که الگوریتم ماشین بردار پشتیبانی خطی بهترین عملکرد را در تحلیل احساسات ارائه میدهد. برای بهبود عملکرد مدل ها، استفاده از ویژگیهای جدید مانند بی گرام و تریگرام پیشنهاد شده است. در ادامه، عملکرد طبقهبندیکنندهها با استفاده از روش یادگیری عمیق شامل(ماشین بردار پشتیبانی خطی، روش بیز، تجزیهکننده استاندارد) و ارزیابی با معیارهای مختلف سنجیده شده است. همچنین، تحلیل احساسات توییتها و ایموجیها نشان داد که دقت مدل ها در شناسایی ایموجیهای جدید کمتر از ایموجیهای دیدهشده است. برای تحلیل توییت ها، از مدلهای جاسازی جمله استفاده شده است. نتایج حاصل از روشهای مختلف هوش مصنوعی نشان می دهد که ترکیب متن و ایموجی در بهبود دقت مدلها تاثیرگذار است. در نهایت، استفاده از حافظه طوالنی کوتاهمدت به همراه تعبیه های جاسازی جمله نتایج بهتری را در دستهبندی متن و ایموجی نشان داده است.

کلیدواژه ها:

تجزیه تحلیل احساسات ، یادگیری عمیق ، هوش مصنوعی