رویکردی جد ید برای ارتقا طبقه بندی احساسات نقدهای فارسی با استفاده از شبکه عصبی کانولوشنی و طبقه بند رای اکثریت

با توجه به توسعه سریع برنامه های کاربردی مبتنی بر اینترنت همانند رسانه های اجتماعی، تجزیه و تحلیل احساسات به یکی از حوزه هایتحقیقاتی پرکاربرد پردازش زبان طبیعی و یک ابزار مهم استخراج نظرات از متون تبدیل شده است. چراکه حجم بسیار بزرگی از نظرات ونقدها امروزه از طریق رسانه های اجتماعی ایجاد می شود و این نظرات از اهمیت زیادی برخوردار هستند. با این حال، تحلیل وخلاصه سازی دستی آنها نیاز به صرف وقت و هزینه زیادی دارد. از این رو تحلیل احساسات پا به عرصه گذاشته تا با ایجاد یک سیستمخودکار به سازماندهی و تحلیل آنها بپردازد. طی سال های اخیر استفاده از یادگیری عمیق در تحلیل احساسات نتایج قدرتمندی را ازخود نشان داده است. با این حال، ایجاد یک مدل به تنهایی ممکن است بهترین پیش بینی ها را ارائه ندهد و دچار خطاهایی همانند بایاسو واریانس بالا شود. در راستای کاهش این خطاها و ارتقا کارآیی پیش بینی ها ی مدل، ترکیب چندین مدل که به عنوان یادگیری گروهیشناخته می شود، ممکن است نتایج بهتری را ارائه دهد. از این رو، هدف اصلی این مقاله ایجاد یک مدل مبتنی بر یادگیری گروهی بااستفاده از چندین شبکه عصبی کانولوشنی و طبقه بند رای اکثریت است تا به ارتقا تحلیل احساسات در نقدهای فارسی بپردازد. مدلپیشنهادی بروری دو مجموعه داده نقدهای محصولات الکترونیکی و فیلم های سینمایی توسط اعتبارسنجی ۵- بخشی و ۱۰- بخشی ارزیابی شد. نتایج بدست آمده حاکی از آن است که این رویکرد جدید سبب افزایش کارآیی مدل تحلیل احساسات در زبان فارسی می شود.