20580

۲۰۵۸۰

تعيين قطبيت در نظركاوي با استفاده از روش يادگيري عميق

كارشناسي ارشد

نرم افزار

۱۳۹۸/۲/۲

دكتر بهروز مينايي بيدگلي - دكتر عين الله خنجري

كامپيوتر

نظركاوي براي متون با طول كم مانند داده هاي توييتر يكي از موضوعات چالش برانگيز است زيرا به دليل اطلاعات محدود جملات، وجود كلمات محاوره اي، غلط هاي املايي و همچنين اشتباهات دستور زباني كار رده بندي متون با چالش هايي همراه است. با به وجود آمدن شبكه هاي اجتماعي، حجم زيادي از داده هاي متني به وجود آمدند. اين داده ها حاوي اطلاعاتي مفيد در موضوعات مختلف هستند. يكي از اين شبكه هاي اجتماعي توييتر است كه با به وجود آمدن آن گرايش به مسئله ي نظركاوي بيشتر شده است. هدف از نظركاوي بررسي و تحليل نظرات كاربران و مطلع شدن از گرايش آن ها نسبت به موضوعات مختلف است. با ظهور توييتر حجم زيادي از داده هاي متني بدون ساختار به وجود آمد. مديريت داده با اين حجم بالا كار دشواري است. يادگيري ماشين روشي است كه مي توان با استفاده از آن حجم بالاي داده را بررسي و تحليل كرد. يادگيري عميق يكي از زير شاخه هاي يادگيري ماشين است. در اين پژوهش از يك معماري عميق براي نظركاوي بر روي داده هاي توييتر استفاده شده است. اين معماري مبتني بر روش شبكه عصبي پيچشي است. روش پيشنهادي علاوه بر داده هاي ورودي از يك ورودي كمكي ديگر نيز بهره ميگيرد. مقدار اين ورودي با استفاده از روش مبتني بر واژگان به دست مي آيد. همچنين در اين پژوهش از يك بازنمايش وابسته به وظيفه براي داده هاي ورودي استفاده كرده ايم. روش پيشنهادي را با چهار معماري ديگر مقايسه كرديم، با توجه به نتايج به دست آمده ،روش پيشنهادي به نتايج قابل توجه ي بر روي مجموعه داده ي SemEval دست يافت. بالاترين مقدار صحت روش پيشنهادي براي رده بندي نظرات به دو رده ي مثبت يا منفي برابر با 90,38 است.

1398/03/03

Polarity detection in sentiment analysis with deep learning method

4/22/2019 12:00:00 AM

Sentiment analysis of short text such as Twitter messages is challenging. Because of the limited contextual information that they normally contain and the presence of spoken words, spelling mistakes and incorrect grammar, it is difficult to classify texts. With the advent of social networks, large amount of text data was created. These data contain useful information on various topics. One of these social networks is twitter. With the advent of Twitter, people interested in sentiment analysis. The purpose of sentiment analysis is to analyse the user’s opinion and to know their opinion about different topics. With the advent of Twitter, a large amount of unstructured data was created. It is difficult to manage this data. Machine learning is a method to analyse this big data. Deep learning is a subcategory of machine learning. In this research, we have used a deep architecture for sentiment analysis on Twitter data. This architecture is based on convolutional neural networks. Our proposed network uses two different input: SemEval 2017 dataset and auxiliary input. This auxiliary input is calculated by lexicon based approach. Also task specific word embedding was used for the embedding layer. For evaluation, our proposed method was compared with five different deep learning architecture. The proposed method achieve good results on SemEval 2017 test dataset. The proposed approach achieves state-of-the-art accuracy of 90.38 for sentiment prediction in binary classification.