تجزیه و تحلیل احساسات دو وجهی حساس به میم مبتنی بر تبدیل کننده با استفاده از داده های بصری-متن در رسانه های اجتماعی

تحلیل احساس داده های شبکه های اجتماعی به درک هدف اصلی کاربران از انتشار محتوا کمک می کند. از آنجایی که داده های انتشاریافته تنوع زیادی دارند (تصویر، متن، صدا و ویدئو)، از این تنوع می توان برای دستیابی به تحلیل احساس دقیق تر استفاده کرد. در مقاله حاضر یک معماری دووجهی حساس به میم پیشنهاد شده است که از داده های متنی و بصری برای تحلیل احساس استفاده می کند. در این روش پس از استخراج متن درج شده در میم و الحاق آن با توضیحات انتشاریافته توسط کاربر، ویژگی های متن و تصویر با استفاده از انتقال دهنده استخراج می شود. برای استخراج ویژگی های تصویر از انتقال دهنده بصری و برای استخراج ویژگی های متن از SBERT استفاده شده است. سپس تبدیل تحلیل تشخیص خطی (LDA) برای کاهش ابعاد و افزایش کیفیت دسته بندی به ویژگی های استخراج شده اعمال می شود. در نهایت دو لایه کاملا متصل، بردار حاصل از کاهش بعد را برای پیش بینی کلاس احساس پردازش می کنند. نتایج تجربی نشان می دهد که روش پیشنهادی بر روی مجموعه داده MVSA-Single به دقت ۸۰ درصد و بر روی مجموعه داده MVSA-Multiple به دقت ۹۰ درصد دست یافته است. این نتایج بیان می کند که روش ارائه شده در مقاله نسبت به سایر روش های مطرح تحلیل احساس دووجهی عملکرد بهتری دارد.

Keywords:

تحلیل احساس بصری , تحلیل احساس متنی , انتقال دهنده بصری , آنالیز تمایزکننده خطی , SBERT