این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۸، شماره ۲، صفحات ۸۹-۱۰۱
عنوان فارسی دسته‌بندی احساسی عقاید مبتنی بر یادگیری انتقالی چندمنبعی با استفاده از دسته‌بند متناظر ساختاری وزن‌دار
چکیده فارسی مقاله دسته‌بندی احساسی عقاید زمینه‌ای در پردازش زبان طبیعی است که در سال‌های اخیر با محبوب شدن فروشگاه‌های اینترنتی و امکان درج عقیده در مورد کالا یا سرویس خریداری‌شده مورد توجه پژوهشگران قرار گرفته است. برای آموزش مدل‌های دسته‌بند، به مجموعه داده‌های برچسب‌خورده نیاز است؛ اما عدم وجود نمونه‌های برچسب‌خورده در همه دامنه‌ها و با توجه به دشواری فرایند برچسب زدن نمونه‌ها، می‌بایست به‌نوعی از نمونه‌هایی که در دامنه‌های دیگر وجود دارد برای ساخت مدل‌ها استفاده نمود. در این مقاله روشی برای دسته‌بندی احساسی عقاید به دو دسته مثبت و منفی، مبتنی بر یادگیری انتقالی چندمنبعی ارائه می‌شود. روش پیشنهادی این مقاله با استفاده از یادگیری متناظر ساختاری، اقدام به تطبیق دامنه‌های مختلف نموده و بر اساس روال تکرارشونده یک الگوریتم بوستینگ به نمونه‌های دسته‌بندی‌شده دامنه‌های مختلف، وزنی را تخصیص داده و با ادغام هر یک از دسته‌بندها، در مورد دسته هر عقیده تصمیم‌گیری می‌نماید. وزن‌دهی به نمونه‌ها برای تقویت فرایند دسته‌بندی مبنتی بر فرایند بوستینگ و ترکیب آن با یادگیری متناظر ساختاری مهم‌ترین نوآوری پژوهش جاری است. از مجموعه داده‌های آمازون برای 4 رده مختلف که هر کدام شامل 1000 نمونه مثبت و 1000 نمونه منفی هستند برای آموزش مدل پیشنهادی استفاده شده است. مقدار معیار درستی 89٫64%، 93٫97%، 92٫39% و 90٫17% به ترتیب برای رده‌های الکترونیک، دی‌وی‌دی، کتاب و آشپزخانه به دست آمده و حاکی از مؤثر بودن روش پیشنهادی در قیاس با روش‌های مشابه است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Sentiment Classification of Opinions based on Multi-source Transfer Learning Using Structural Correspondence Learning
چکیده انگلیسی مقاله Abstract :Sentiment classification of opinions is a field of Natural Language Processing which has been considered in recent years by researchers due to popularity of Internet stores and the possibility of expressing opinions about sold goods or services. To train classifier models, we need labeled datasets, but as there are not rich labeled samples and as labeling is a difficult and time-consuming process, we must employ labeled samples of other domains. In this article, a new method for binary classification of opinions is proposed based on multi-domain transfer learning. The proposed method tries to adapt different domains by using Structural Correspondence Learning; and based on repetitive procedure of the boosting algorithm, a weight is assigned to classified samples of different domains and the class of each opinion is specified by merging these classifiers. Weighting the dataset samples to boost the process of classification based on the Adaboost algorithm and combining it with the Structural Corresponding Learning is the most important innovation of the current research. The Amazon dataset of four different domains, each one containing 1000 positive and 1000 negative opinions is used for training the proposed model. Accuracy measures of %89.64, %93.97, %92.39 and %90.17 are obtained for Electronics, DVD, Books and Kitchen domains, respectively. It illustrates that the proposed method is very effective compared with the similar methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سعید دهقانی اشکذری |
- پردیس فنی و مهندسی، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران.- پردیس فنی و مهندسی، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران.

ولی درهمی |
دانشیار گروه کامپیوتر دانشگاه یزد

علی محمد زارع بیدکی |
دانشیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد، یزد، ایران

lحسان بصیری |
شهرکرد، دانشگاه شهرکرد، گروه مهندسی کامپیوتر

نشانی اینترنتی http://jscit.nit.ac.ir/article_88271_170f0b72da66e7a400a799586643f219.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/834/article-834-1646103.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات