تجزبه و تحلیل احساسات با استفاده از شبکه عمیق انوانکدر مبتنی بر دسته بند بهینه (AEC) و استک اتوانکدر (SAEP) برا ی کاهش ویژگی
عنوان مقاله: تجزبه و تحلیل احساسات با استفاده از شبکه عمیق انوانکدر مبتنی بر دسته بند بهینه (AEC) و استک اتوانکدر (SAEP) برا ی کاهش ویژگی
شناسه ملی مقاله: CECCONF18_039
منتشر شده در هجدهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات در سال 1401
شناسه ملی مقاله: CECCONF18_039
منتشر شده در هجدهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات در سال 1401
مشخصات نویسندگان مقاله:
آیتک شاددلی - مدرس ، دکترای گروه کامپیوتر، دانشگاه فنی و حرفه ای ارومیه
خلاصه مقاله:
آیتک شاددلی - مدرس ، دکترای گروه کامپیوتر، دانشگاه فنی و حرفه ای ارومیه
تجزیه و تحلیل احساسات. یک روش پردازش زبان طبیعی است که برای تعیین مثبت. منفی و یا خنثی بودن داده ها استفادهمی شود. تجزیه و تحلیل احساسات اغلب بر روی داده های متنی انجام می شود تا به کسب و کارها کمک کند احساساتمشتریان را نسبت به برند بسنجند و نیازهای مشتری را درک کنند. اخیرا روش های یادگیری عمیق در بسیاری از زمینه هااز جمله تجزیه و تحلیل احساسات بسیار موفق عمل کرده است. با این حال. تحقیقات محدودی در زمینه کاهش ویژگی بهکمک روش های یادگیری عمیق برای افزایش دقت و سرعت در زمینه تجزیه و تحلیل احساسات انجام شده است. از آنجا کههدف این مقاله، بررسی تاثیر کاهش ویژگی در بهبود نتایج یادگیری عمیق است . در روش پیشنهادی از دو روش استخراجویژگی Count Vectorizer امن TF-IDF Vectorizer بر استخراج ویژگی با ابعاد بالا استفاده شده است. در این مقاله برای صرفهجویی در زمان آموزش و افزایش دقت الگوریتم های یادگیری عمیق یک استک اتوانکدر مبتنی بر درصد به نام SAEPافزایش دقت روش های یادگیری عمیق در ابعاد بالاءه یک اتوانکدر برای کلاس بندی به نام AEC طراحی شده است و لایههای Dropout برای حل مشکل پیش پردازش به آن اضافه شده است. در نهایت، خروجی روش پیشنهادی برای کاهشویژگی SAEP با الگوریتم های دیگر بادگیری عمیق از جمله SAEP+CNN, SAEP+LSTM و SAEP+AEC ترکیب شدهاست. نتایج بر روی دو مجموعه داده تجزیه و تحلیل احساسات به نام SST-۲ و IDBM نشان می دهد که روش پیشنهادیSAEP تاثیر ۱ الی ۱۰ درصدی در دقت روش های یادگیری عمیق داشته است. علاوه بر این روش پیشنهادی AEC توانستهاست با دقت ۹۱ و ۸۷ به ترتیب در مجموعه داده SST-۲ و IDBM بهتر از سایر الگوریتم ها عمل کند.
کلمات کلیدی: تجزیه و تحلیل احساسات، انتخاب ویژگی، یادگیری عمیق، کاهش ویژگی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1623331/