سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

تحلیل احساسات متون انگلیسی با استفاده از مدل های ترکیبی یادگیری عمیق

Publish Year: 1402
Type: Journal paper
Language: Persian
View: 240

This Paper With 19 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

JR_CSJI-8-3_004

Index date: 3 February 2024

تحلیل احساسات متون انگلیسی با استفاده از مدل های ترکیبی یادگیری عمیق abstract

با افزایش استفاده از اینترنت و شبکه های اجتماعی، حجم انبوهی از نظرات کاربران در ارتباط با موضوعات مختلف تولید می گردد. در نتیجه به کارگیری تکنیکهای علمی نوین جهت تحلیل این نظرات جهت افزایش رضایت مشتریان ضروری به نظر میرسد. تحلیل احساسات نظرات کاربران، به عنوان یک راهکار ویژه و موثر، به دنبال کشف دانش از این متون جهت رفع چالش قطبیت آنها میباشد. در این تحقیق، رویکردی ترکیبی مبتنی بر دو روش یادگیری عمیق RNN-GRU و مبتنی بر تعبیه گذاری کلمات جهت تحلیل احساسات نظرات کاربران ارائه گردیده است. جهت بهبود تعیین قطبیت از تعبیه گذاری کلمات از پیش آموزش دیده شده Word۲vec و GloVe استفاده شده است. نتایج ارزیابی بر روی دو مجموعه داده توییت های خطوط هوایی و نظرات فیلم نشان می دهد که روش پیشنهادی از نظر دقت در تعیین قطبیت نظرات، بهبود ۱% را نسبت به روش های ترکیبی دیگر داشته است.

تحلیل احساسات متون انگلیسی با استفاده از مدل های ترکیبی یادگیری عمیق Keywords:

تجزیه وتحلیل احساسات , یادگیری عمیق , شبکه های عصبی بازگشتی , شبکه عصبی واحد بازگشتی دروازه دار , تعبیه گذاری کلمات , Word۲vec , Glove

تحلیل احساسات متون انگلیسی با استفاده از مدل های ترکیبی یادگیری عمیق authors

سیما عمادی

گروه مهندسی کامپیوتر، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
Alshuwaier, F., Areshey, A., & Poon, J. Applications and Enhancement ...
O., Chiclanaa. F., Carter. J., Fujita. H., Successes and challenges ...
E., Affective computing and sentiment analysis, IEEE Intell. Syst. Vol. ...
Gupte, A., Joshi, S., Gadgul, P., Kadam, A., & Gupte, ...
Devika, M. D., Sunitha, C., & Ganesh, A. Sentiment analysis: ...
Schmidhuber, J. Deep learning in neural networks: An overview. Neural networks, ۶۱, ...
B., Liakata .M., Zubiaga. A., and Procter.R., Tdparse: Multi-target-specific sentiment ...
Wang, Y., Huang, M., Zhao, L., & Zhu, X., Attention-based ...
Wang, J., Sun, C., Li, S., Wang, J., Si, L., ...
Wu C, Xiong Q, Gao M, Li Q, Yu Y, ...
Shuang K, Yang Q, Loo J, Li R, Gu M. ...
Tay, Y., Tuan, L. A., & Hui, S. C., Dyadic ...
Abdi A, Shamsuddin SM, Hasan S, Piran J. Deep learning-based ...
Mercha, E. M., & Benbrahim, H. Machine learning and deep ...
Otter, D. W., Medina, J. R., & Kalita, J. K. ...
Almeida, F., & Xexéo, G. Word embeddings: A survey. arXiv preprint ...
Church, K. W. Word۲Vec. Natural Language Engineering, ۲۳(۱), ۱۵۵-۱۶۲, ۲۰۱۷ ...
Pennington, J., Socher, R., & Manning, C. D. Glove: Global ...
Tanaka, H., Shinnou, H., Cao, R., Bai, J., & Ma, ...
Gaikwad, V., & Haribhakta, Y. Adaptive glove and fasttext model ...
Kim Y. Convolutional neural networks for sentence classification. The Conference ...
B. and Carley .K., Parameterized convolutional neural networks for aspect ...
Wu C, Xiong Q, Gao M, Li Q, Yu Y, ...
Hyun D, Park C, Yang MC, Song I, Lee JT, ...
Kalchbrenner N, Grefenstette E, Blunsom P. A convolutional neural network ...
Yin, R., Li, P., & Wang, B. Sentiment lexical-augmented convolutional ...
Guan Z, Chen L, Zhao W, Zheng Y, Tan S, ...
Bian, Y., Ye, R., Zhang, J., & Yan, X. Customer ...
Zharmagambetov AS, Pak AA. Sentiment analysis of a document using ...
Huang M, Qian Q, Zhu X. Encoding syntactic knowledge in ...
Mousa A, Schuller B. Contextual bidirectional long short-term memory recurrent ...
Teng Z, Vo DT, Zhang Y. Context-sensitive lexicon features for ...
Qian Q, Huang M, Lei J, and Zhu X. Linguistically ...
Rong W, Nie Y, Ouyang Y, et al. Auto-encoder based ...
Jin Y, Zhang H, Du D L. Improving deep belief ...
Jin Y, Zhang H, Du D L. Incorporating positional information ...
Vlachostergiou A, Caridakis G, Mylonas P, et al. Learning representations ...
Socher R, Pennington J, Huang EH, Ng AY, Manning CD. ...
Wang X, Jiang W, Luo Z. Combination of convolutional and ...
Guggilla C, Miller T, Gurevych I. CNN-and LSTM-based claim classification ...
Chen T, Xu R, He Y, Wang X. Improving sentiment ...
Chavosh, N., Emadi, S, Improving Sentence Polarity Determination in Sentiment ...
Zhang, B., et al., Sentiment analysis through critic learning for ...
Li, L., Goh, T. T., & Jin, D. (۲۰۲۰). How ...
Mandhula, T., Pabboju, S., & Gugulotu, N. (۲۰۱۹). Predicting the ...
Wei, J., et al., BiLSTM with multi-polarity orthogonal attention for ...
Dashtipour, K., et al., A hybrid Persian sentiment analysis framework: ...
Das, S., Das, D., & Kolya, A. K. (۲۰۲۰). Sentiment ...
Colón-Ruiz, C. and I. Segura-Bedmar, Comparing deep learning architectures for ...
Heikal, M., M. Torki, and N. El-Makky, Sentiment analysis of ...
Chiarello, F., A. Bonaccorsi, and G. Fantoni, Technical sentiment analysis. ...
Ray, B., A. Garain, and R. Sarkar, An ensemble-based hotel ...
Song, C., et al., SACPC: A framework based on probabilistic ...
Hajipour, O., Sadidpour, S. S., Automatic extraction of keywords from ...
Wang, Z., & Lin, Z. (۲۰۲۰). Optimal feature selection for ...
Huddar, M. G., Sannakki, S. S., & Rajpurohit, V. S. ...
Saeed, R. M., Rady, S., & Gharib, T. F. (۲۰۲۱). ...
Sridharan, K., & Komarasamy, G. (۲۰۲۰). Sentiment classification using harmony ...
نمایش کامل مراجع