ارائه یک مدل تحلیل احساسات مبتنی بر شبکه یادگیری عمیق LSTM

تجزیه و تحلیل احساسات متن به ابزاری قدرتمند برای یادگیری نظرات کاربران تبدیل شده است . با این حال، بهره وری و دقت تجزیه و تحلیل احساسات به دلیل چالش های پردازش زبان طبیعی ۱ ،با موانعی مواجه می شوند. در سالهای اخیر، نشان داده شده است که مدلهای یادگیری عمیق راهحلی امیدوارکننده برای چالش های NLP هستند. محققان در زمینه های پردازش زبان طبیعی و یادگیری ماشین ۲ روشهای مختلفی را برای اجرای این فرآیند با بالاترین دقت ممکن بررسی کردهاند.که شبکه های بازگشتی یکی از موفق ترین آنهاست . در این تحقیق قصد داریم مدلی معرفی کنیم که بتواند دقت تشیخص احساس متن را روی مجموعه داده IMDB بهبود بخشد. در این راستا ابتدا داده ها به طور موثر پیش پردازش و تقسیم بندی شده تا عملکرد پس از طبقه بندی را افزایش دهند این مرحله با روش جاسازی کلمه ۳ انجام می گردد. مدل معماری شبکه پیشنهادی ترکیبی از شبکه های بازگشتی LSTM و BiLSTM و لایه CNN می باشد.از لایه های حافظه کوتاه مدت بلند مدت (LSTM) به جهت یادگیری وابستگی های طولانی مدت، لایه کانولوشن CNN جهت استخراج ویژگی های متن و از لایه BiLSTMجهت بهره بردن از وابستگی های دو سویه طولانی مدت در متن ، استفاده شده است .این تحقیق قصد دارد دقت تشخیص احساس متن را افزایش دهد. این مدل با زبان پایتون نوشته و روی مجموعه داده IMDB تست و ارزیابی گردیده است .آزمایش های انجام شده برای مدل پیشنهادی با مدل های دیگر مقایسه شده است . و نتایج حاصل شده نشان می دهد که مدل پیشنهادی توانسته است نسبت به مدل های دیگر از لحاظ دقت بهتر عمل کند.