تعیین قطبیت متون فارسی با استفاده از شبکه های بازگشتی LSTM

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 903

فایل این مقاله در 12 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:

ICEECET03_059

تاریخ نمایه سازی: 6 اسفند 1395

چکیده مقاله:

در این مقاله مدلی برای تعیین قطبیت (مثبت، منفی و یا خنثی) متون، مستقل از زبان و دامنه ارائه شده است. هدفاین مقاله، تعیین قطبیت (مثبت، منفی و یا خنثی) متون فارسی است که مدلی با ترکیب شبکه های بازگشتی LSTM وماشین بردار پشتیبان را ارائه می کند. در این مدل، بعد از پیشپردازش و استخراج کیسه کلمات از متن خام بعنوان ورودیشبکه های بازگشتی LSTM استفاده کرده است. در ادامه از بردارهای حاصل از خروجی این شبکه میانگین گرفته و درنهایت برای کلاس بندی به ماشین بردار پشتیبان داده شده است. مواردی مانند عدم محدودیت زبانی، عدم محدودیتدامنه، عدم نیاز به دیکشنری احساسات و استفاده از متن خام بعنوان ورودی از ویژگی های مدل پیشنهادی است. برایارزیابی مدل، دو پیکره با دامنه متفاوت مورد آزمایش قرار گرفته که نتایج نشاندهنده کارایی روش پیشنهادی است.

کلیدواژه ها:

تعیین قطبیت ، تحلیل سنجمان ، نظرکاوی ، شبکه های بازگشتی LSTM ، پردازش زبان های طبیعی

نویسندگان

محمد بادپیما

دانشجوی دانشگاه مالک اشتر

حسین شیرازی

استاد دانشگاه مالک اشتر

سعیده سادات سدیدپور

دانشجوی دکترای دانشگاه مالک اشتر

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 :
  • Analysis: Incremental learning to build domain models, " pp. 1-42, ...
  • J. Kamps, M. Marx, R. J. Mokken, and M. De ...
  • E. Cambria, B. B. Schuller, Y. Xia, and C. Havasi, ...
  • D. Rao and D. Ravichandran, _ _ S emi-supervised polarity ...
  • th Conf. Eur. Chapter Assoc. Comput. Linguist., no. April, pp. ...
  • A. Hassan and D Radev, "Identifying text polarity using random ...
  • E. C. Dragut and C. Yu, "Construction of a Sentimental ...
  • W. Peng and D. H. Park, :Generate adjective sentiment dictionary ...
  • G. Fei, B. Liu, M. Hsu, M. Castellanos, and R. ...
  • C. Kaushik and A. Mishra, _ Scalable, Lexicon Based Technique ...
  • S. Zhou, Q. Chen, and X. Wang, _ 0Neuro computing ...
  • P. Ru angkanokmas _ T. Achalakul, and K. Akarajitakul, "Deep ...
  • S. Zhou, Q. Chen, X. Wang, and X. Li, "Hybrid ...
  • A. A. Al Sallab, R. Baly, and H. Hajj, "Deep ...
  • S. Zhou, Q. Chen, and X. Wang, _ Deep Networks ...
  • D. Tang, F. Wei, B. Qin, T. Liu, and M. ...
  • S. Hochreiter, S. Hochreiter, J. Schmidhuber, and J. Schmidhuber, "Long ...
  • C. Olah, _ _ erstanding LSTM Networks, " Github. ...
  • نمایش کامل مراجع