آخرین مهلت ارسال مقالات برای دوره ۴ -شماره ۱۲ -آذر ماه ۱۴۰۳:
(۱۵ آذر ماه ۱۴۰۳)
تحلیل احساسات توییتهای فارسی چند کلاسه مبتنی بر ترکیب روابط معنایی و ماشین بردار پشتیبان
دوره 2، شماره 3، 1401، صفحات 134 - 144
1 استادیار دانشگاه جامع امام حسین(ع)
چکیده :
با رشد تکنولوژی، استفاده از شبکههای اجتماعی محبوبیت بیشتری پیدا کرده است. یکی از محبوبترین شبکههای اجتماعی پلتفرم توییتر میباشد. تجزیه و تحلیل احساسات توییتهای کاربران نقش مهمی در نمایش احساسات کاربران از شرایط موجود جامعه دارد. در سالهای اخیر باتوجه به محاورهای شدن متنهای توییتهای کاربران تحلیل احساسات را دچار مشکل و باعث کاهش دقت آن شده است؛ همچنین باعث سختی عملیات پردازش زبان طبیعی شده است. در این پژوهش، روشی برای تحلیل¬ احساسات¬ توییتهای فارسی مبتنی بر ترکیب روابط معنایی و طبقهبندی ماشین بردار پشتیبان ارائه شده است. برای استخراج ویژگیها از رابطه معنایی FastText استفاده میشود. باتوجه به اینکه تعداد ویژگیهای زیادی استخراج شده است؛ باید آنها را کاهش داد که این عمل با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) صورت میپذیرد. در بخش آخر روش پیشنهادی برای طبقه¬بندی احساسات درون توییتها از مدل ماشین بردار پشتیبان بهره گرفته شده است. معیارهای ارزیابی مورد استفاده در این پژوهش دقت، صحت، فراخوان و معیار F بوده است که نتایج ارزیابی به ترتیب مقادیر 83.9، 84.3، 83.9 و 84 به دست آمده است. نتایج آزمایش¬ها نشان¬دهنده¬ کاربردی بودن روش پیشنهادی در تحلیل ¬احساسات توییتهای فارسی به شش کلاس عصبانیت، ناراحتی، شادی، انزجار، تعجببرانگیز و ترس است.
با رشد تکنولوژی، استفاده از شبکههای اجتماعی محبوبیت بیشتری پیدا کرده است. یکی از محبوبترین شبکههای اجتماعی پلتفرم توییتر میباشد. تجزیه و تحلیل احساسات توییتهای کاربران نقش مهمی در نمایش احساسات کاربران از شرایط موجود جامعه دارد. در سالهای اخیر باتوجه به محاورهای شدن متنهای توییتهای کاربران تحلیل احساسات را دچار مشکل و باعث کاهش دقت آن شده است؛ همچنین باعث سختی عملیات پردازش زبان طبیعی شده است. در این پژوهش، روشی برای تحلیل¬ احساسات¬ توییتهای فارسی مبتنی بر ترکیب روابط معنایی و طبقهبندی ماشین بردار پشتیبان ارائه شده است. برای استخراج ویژگیها از رابطه معنایی FastText استفاده میشود. باتوجه به اینکه تعداد ویژگیهای زیادی استخراج شده است؛ باید آنها را کاهش داد که این عمل با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) صورت میپذیرد. در بخش آخر روش پیشنهادی برای طبقه¬بندی احساسات درون توییتها از مدل ماشین بردار پشتیبان بهره گرفته شده است. معیارهای ارزیابی مورد استفاده در این پژوهش دقت، صحت، فراخوان و معیار F بوده است که نتایج ارزیابی به ترتیب مقادیر 83.9، 84.3، 83.9 و 84 به دست آمده است. نتایج آزمایش¬ها نشان¬دهنده¬ کاربردی بودن روش پیشنهادی در تحلیل ¬احساسات توییتهای فارسی به شش کلاس عصبانیت، ناراحتی، شادی، انزجار، تعجببرانگیز و ترس است.
کلمات کلیدی :
تحلیل احساسات چندکلاسه، پردازش زبان طبیعی، شبکه¬های عصبی LSTM، ماشین بردار پشتیبان
تحلیل احساسات چندکلاسه، پردازش زبان طبیعی، شبکه¬های عصبی LSTM، ماشین بردار پشتیبان
-
603
-
404
-
1401/05/22
-
1401/05/31
-
1401/06/25