تحلیل احساسات مبتنی بر داده های متنی برای تشخیص شخصیت کاربران با استفاده از یادگیری عمیق

جهان امروز با رشد سبک جدیدی از ارتباطات، امکان تعامل افراد باشخصیت های گونـاگون را امکـان پـذیر نمـوده اسـت. متن های منتشرشده توسط کاربران در فضای مجازی معرف شخصیت آنها است. الگوریتم های یـادگیری ماشـین کـه توابـع پیچیده را با ترکیب دنباله هایی از توابع ساده تر در هر لایه آموزش میدهند، انتخاب مناسبی برای تجزیـه و تحلیـل ایـن گونـه مسائل می باشند، اما به منظور غلبه بر پیچیدگی و پراکندگی محتوایی و نحوی داده ها، به منظـور تجزیـه وتحلیـل شخصـیت و وابستگی دانش کسب شده در طول فرآیند یادگیری نیاز به الگوریتم ژرف احساس مـیشـود. هـدف ایـن مقالـه بـه کـارگیری الگوریتم های یادگیری ژرف به منظور دسته بندی متون در راستای پیش بینی شخصیت میباشد. نتیجـه بررسـیهـای صـورت گرفته بر روی کارهای انجام شده توسط سایر محققین منجر بـه انتخـاب الگـوریتم حافظـه طـولانی مـدت کوتـاه بـه منظـور دسته بندی داده ها گردید که با تکنیک آدابوست سعی بر آن شده است داده های آزمایشی که با خطا دسـته بنـدی شـده انـد در مرحله دوم دسته بندی با اختصاص ضریب آلفا، با دقت بالاتری دسته بندی گردنـد. لـذا دقـت روش پیشـنهادی بسـیار بـالاتر خواهد بود. به منظور ارزیابی عملکرد دسته بند پیشنهادی، از معیار دقت استفاده شده است. روش پیشـنهادی توانسـته اسـت در 50 دوره اجرا با دقت (وظیفه شناسی 65/24 درصد، انعطاف پذیری 61/05 درصد، توافق پذیری 59/89 درصـد، روان رنجـوری 62/67 درصد و برون گرایی 62/59 درصد) به نقطه همگرایی دست یابد. ماحصل این مطالعات میتوانـد در امنیـت سـایبری، تجارت الکترونیک و حتی فعالیتهای سیاسی، فرهنگی و اجتماعی به روانشناسان هر حوزه کمک شایانی نماید.

Keywords:

یادگیری ژرف , شبکه عصبی LSTM , تحلیل ویژگیها , آدابوست , شناسایی شخصیت. پنج عامل بزرگ شخصیت