آخرین مهلت ارسال مقالات برای دوره ۳ -شماره ۸ -پاییز ۱۴۰۲:
(۱۵ آذر ماه ۱۴۰۲)
ترکیب شبکههای عصبی و استفاده از ماشین بردار پشتیبان جهت تحلیل احساسات
دوره و شماره : قابل انتشار
1 دانشگاه جامع امام حسین (ع)
2 دانشگاه جامع امام حسین (ع)
چکیده :
با رشد اینترنت و ظهور رسانههای اجتماعی برای کاربران این امکان فراهمشده است که نظرات خود را راحتتر از هر زمان دیگری به اشتراک بگذارند، بنابراین تحلیل نظرات کاربران بیشازپیش احساس میشود. تحلیل نظرات کاربران که بهعنوان تحلیل احساسات شناخته میشود، در سالهای اخیر بسیار موردتوجه قرار گرفته است. در زبان فارسی برخلاف زبان انگلیسی با توجه به این موضوع که روشها، ابزارها و منابع انگلیسی بیشتر است، پژوهشهای محدودی جهت توسعه آن بهعمل آمده است. در این پژوهش با ترکیب شبکههای عصبی و استفاده از ماشین بردار پشتیبان یک روش جهت تحلیل احساسات در زبان فارسی ارائه شده است. فرآیند کلی پژوهش از چند مرحله پیشپردازش، ارتباط معنایی، استخراج ویژگی و طبقهبندی تشکیل میشود. پیشپردازش، متن را به ساختاری قابلپردازش برای مراحل بعد تبدیل میکند. از مدل زبانی FastText جهت یافتن ارتباط معنایی کلمات استفاده شده و استخراج ویژگیها با استفاده از ترکیب شبکههای عصبی RNN، LSTM، CNN انجام میشود. سپس با استفاده از ماشین بردار پشتیبان، ویژگیهای استخراجشده طبقهبندی میشوند. پس از پیادهسازی روش پیشنهادی و ارزیابی نتایج بر اساس معیارهای صحت، بازخوانی، دقت و F به ترتیب مقادیر 89%، 89%، 90% و 89% به دست آمده است، که میتوان کارایی بالای روش پیشنهادی را مشاهده کرد.
با رشد اینترنت و ظهور رسانههای اجتماعی برای کاربران این امکان فراهمشده است که نظرات خود را راحتتر از هر زمان دیگری به اشتراک بگذارند، بنابراین تحلیل نظرات کاربران بیشازپیش احساس میشود. تحلیل نظرات کاربران که بهعنوان تحلیل احساسات شناخته میشود، در سالهای اخیر بسیار موردتوجه قرار گرفته است. در زبان فارسی برخلاف زبان انگلیسی با توجه به این موضوع که روشها، ابزارها و منابع انگلیسی بیشتر است، پژوهشهای محدودی جهت توسعه آن بهعمل آمده است. در این پژوهش با ترکیب شبکههای عصبی و استفاده از ماشین بردار پشتیبان یک روش جهت تحلیل احساسات در زبان فارسی ارائه شده است. فرآیند کلی پژوهش از چند مرحله پیشپردازش، ارتباط معنایی، استخراج ویژگی و طبقهبندی تشکیل میشود. پیشپردازش، متن را به ساختاری قابلپردازش برای مراحل بعد تبدیل میکند. از مدل زبانی FastText جهت یافتن ارتباط معنایی کلمات استفاده شده و استخراج ویژگیها با استفاده از ترکیب شبکههای عصبی RNN، LSTM، CNN انجام میشود. سپس با استفاده از ماشین بردار پشتیبان، ویژگیهای استخراجشده طبقهبندی میشوند. پس از پیادهسازی روش پیشنهادی و ارزیابی نتایج بر اساس معیارهای صحت، بازخوانی، دقت و F به ترتیب مقادیر 89%، 89%، 90% و 89% به دست آمده است، که میتوان کارایی بالای روش پیشنهادی را مشاهده کرد.
کلمات کلیدی :
پردازش زبان طبیعی، تحلیل احساسات، ارتباط معنایی، استخراج ویژگی، شبکه عصبی، طبقه¬بندی
پردازش زبان طبیعی، تحلیل احساسات، ارتباط معنایی، استخراج ویژگی، شبکه عصبی، طبقه¬بندی