20114

۲۰۱۱۴

آموزش شبكه خود كدگذار عميق براي رده‌بندي گرايش متون

كارشناسي ارشد

هوش مصنوعي و رباتيك

۱۳۹۴

۱۳۹۶/۱۲/۱۴

دكتر بهروز مينايي بيدگلي

كامپيوتر

تحليل گرايش يك بررسي محاسباتي از نظرها، ارزيابي‌ها، نگرش‌ها و احساس مردم نسبت به يك موضوع، شخص، مسأله يا رويداد است و مي‌توان آن را جزء مسائل كاربردي رده‌بندي متن دانست. در چند سال اخير با ظهور يادگيري عميق و اثبات كارايي شبكه‌هاي عصبي در بسياري از حوزه‌ها، تحقيقات زيادي به منظور استفاده از اين شبكه‌هاي عصبي در رده‌بندي گرايش متن شده است؛ معمولاً براي رده‌بندي گرايش از يادگيري بازنمايش كه يكي از ويژگي‌هاي شبكه‌هاي عصبي است استفاده مي‌شود و مدل‌هاي پيشنهادي، يا خود وظيفه يادگيري بازنمايش را برعهده دارند و يا از خروجي يك شبكه‌ي بازنمايش (تعبيه واژه) به عنوان ورودي مدل خود استفاده مي‌كنند. در تحقيقات اخير بيشتر مدل‌هايي كه براي تعيبه واژه و يادگيري بازنمايش پيشنهاد داده شده‌اند به طور عمومي و همه‌منظوره آموزش داده مي‌شوند.

1397/12/11

Training a Neural Network for Representation Learning to Sentiment Analysis

3/2/2019 12:00:00 AM

Most existing methods for Representation Learning and Word Embedding are using context-based features for learning. In this paper, we propose a method that changes one of most powerful Word Embedding models (Word2Vec) training algorithm; We add sentiment polarity on the existing method which already uses context and neighborhood. Applying this intuition affects loss function and word vectors. To train the proposed Representation Learning Network, we use a combination of multiple datasets as training set and Word2Vec hidden layer weights as initializing weights in order to fine- tune the model at the beginning. Our experiments on different classifier methods show that using the proposed model’s output as input for classifiers results in sentiment classification accuracy to increases by at least 5 percent.