این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۹، شماره ۱، صفحات ۰-۰
عنوان فارسی روشی کارا بر پایه ترکیب مدل‌های یادگیری ژرف برای تجزیه ‌و تحلیل احساسات در متون
چکیده فارسی مقاله یکی از مهم‌ترین داده‌های متنی موجود در سطح وب احساسات و دید‌گاه‌‌های افراد نسبت به یک موضوع یا مفهوم مشخص است. با این حال، یافتن و نظارت بر وبگاه‌های حاوی این احساسات و استخراج اطلاعات موردنیاز از آن‌ها به علت گسترش وبگاه‌های گوناگون کاری دشوار محسوب می‌شود. در این راستا، توسعه سیستم‌های تجزیه ‌و تحلیل خودکار احساسات که بتواند نظرات را استخراج کرده و روند فکری مرتبط با آن‌ها را بیان کند، در سال‌های اخیر توجه زیادی را به خود جلب کرده است و روش‌های بر پایه یادگیری ژرف یکی از راهکارهایی هستند که توانسته‌ا‌ند به نتایج چشمگیری در کاربردهای مختلف پردازش زبان‌های طبیعی به‌خصوص تجزیه ‌و تحلیل احساسات دست یابند. اما این روش‌ها علیرغم عملکرد قابل‌توجه هنوز با چالش‌هایی مواجه هستند و نیاز به پیشرفت در این حوزه همچنان وجود دارد.  ازاین‌رو، هدف این مقاله ترکیب مدل‌های یادگیری ژرف به‌منظور ارائه یک روش جدید برای تجزیه ‌و تحلیل احساسات متنی است که بتواند ضمن استفاده همزمان از مزایای شبکه‌های عصبی ژرف بر مشکلات آن‌ها غلبه کند. در این راستا، در این مقاله روشی بر پایه ترکیب شبکه عصبی پیچشی و شبکه عصبی همگشتی معرفی‌شده است که در آن به‌منظور حفظ وابستگی‌های بلندمدت در جملات و کاهش از دست رفتن داده‌های محلی که به‌عنوان چالش‌های شبکه عصبی پیچشی به شمار می‌آیند، از لایه همگشتی تعمیم‌یافته که در آن از یک ویژگی میانی حاصل از ترکیب گره‌های فرزندان استفاده می‌شود، به‌عنوان جایگزین لایه ادغام در شبکه عصبی پیچشی بر پایه ساز و کار توجه استفاده شده است. بر اساس نتایج آزمایش‌ها، روش پیشنهادی به ترتیب با دقت 92/53 و 89/92 درصد روی مجموعه داده‌های SST1 و SST2  و دارای دقت بالاتری نسبت به سایر روش‌های موجود است.
کلیدواژه‌های فارسی مقاله تجزیه ‌و تحلیل احساسات، یادگیری ژرف، شبکه عصبی پیچشی، شبکه عصبی همگشتی، ساز و کار توجه
عنوان انگلیسی Efficient Method Based on Combination of Deep Learning Models for Sentiment Analysis of Text
چکیده انگلیسی مقاله People's opinions about a specific concept are considered as one of the most important textual data that are available on the web. However, finding and monitoring web pages containing these comments and extracting valuable information from them is very difficult. In this regard, developing automatic sentiment analysis systems that can extract opinions and express their intellectual process has attracted considerable attention in recent years and deep learning methods are one of those approaches that have achieved significant results   in various applications of natural language processing, especially sentiment analysis. It is worth mentioning that despite the remarkable performance of these methods, they are still confronted with some limitations and they are on their first steps of progress. Therefore, the goal of this paper is to propose a combinational deep learning model that can overcome their problems as well as utilizing their benefits. In this regard, an efficient method based on combination of convolutional and recursive neural networks is proposed in this paper that employs a generalized recursive neural network, where an intermediate feature is obtained by combining children's nodes, as an alternative of pooling layer in attention-based convolutional neural network with the aim of capturing long term dependencies and decreasing the loss of local information. Based on empirical results, the proposed method with the accuracy of 53.92% and 92.89% respectively on SST1 and SST2 datasets not only outperforms other existing models but also can be trained much faster.
کلیدواژه‌های انگلیسی مقاله Sentiment analysis, Deep Leaning, Convolutional neural network, Recursive neural network, Attention mechanism
نویسندگان مقاله حسین صدر | Hossein Sadr
Department of Computer Engineering Rasht Branch, Islamic Azad University Rasht, Iran
Department of Computer Engineering Rasht Branch, Islamic Azad University Rasht, Iran

میرمحسن پدرام | Mir mohsen Pedram
Department of Electrical and Computer Engineering Faculty of Engineering, Kharazmi University Tehran, Iran


محمد تشنه لب | Mohammad Teshnehlab
Industrial Control Center of Excellence Faculty of Electrical and Computer Engineering, K. N. Toosi University Tehran, Iran
Industrial Control Center of Excellence Faculty of Electrical and Computer Engineering, K. N. Toosi University Tehran, Iran

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1916-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش متن
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات