تشخیص احساسات در شبکه های اجتماعی و محیط های یادگیری مشارکتی

روزانه میلیون ها پیغام در صفحات وب ظاهر می شود، و همین امر باعث گردیده تا این صفحات به منابع غنی از اطلاعات استخراج عقیده و نظر و تحلیل احساس بدل گردند. مطالعه محاسباتی این نظریات، احساسات و عواطف بیان شده در یک متن اغلب به شناسایی نظرات مخالف یا موافق اظهارات موجود در کامنت ها و یا بررسی ها مربوط می شود که احساسات مثبت یا منفی را انتقال می دهد. تشخیص و تحلیل احساسات در ارتباطات متنی یک موضوع جالب توجه در زمینه یادگیری در شبکه های اجتماعی است، که یادگیرندگان فعالانه وارد مقوله ارائه و دفاع از ایده ها و نظرات و نیز تبادل حالات در مورد دوره ها با همسالان خود می شوند. در این مقاله تصویب یک رویکرد احتمالی بر اساس تخصیص پنهان دیریکله (LDA) را به عنوان دکمه احساسات بررسی می کنیم. از طریق این روش، برای مجموعه ای از اسناد متعلق به یک دامنه دانش مشابه می توان یک نمودار یا نمودار های ترکیبی از عبارات را به طور خودکار بدست آورد. این مقاله نشان می دهد که چگونه این نمودار شامل مجموعه ای از جفت کلمه های وزن دار است، که برای طبقه بندی احساسات به عنوان یک موضوع متمایز کننده مورد استفاده قرار می گیرد. این روش ارائه شده، در زمینه های مختلف مورد آزمایش قرار گرفته است، از جمله مجموعه داده استاندارد شامل بررسی فیلم، تجزیه و تحلیل زمان واقعی پست های شبکه های اجتماعی و سناریو یادگیری مشترک. ارزیابی تجربی نشان می دهد که این رویکرد پیشنهادی چرا و به چه دلیل موثر و رضایت بخش است.

Keywords:

استخراج داده , تحلیل احساسات , تخصیص پنهان دیریکله , نمودار ترکیب عبارات , طبقه بندی احساسات