23598

تحليل قطبيت احساسي نظرات فارسي با استفاده از الگوريتم هاي يادگيري عميق

كارشناسي ارشد

برق-الكترونيك ديجيتال

1399/10/30

دكتر ستار ميرزاكوچكي

برق

با توجه به حجم روزافزون نظرات كاربران در اينترنت مانند سايت هاي خريد اينترنتي و شبكه هاي اجتماعي، تجزيه و تحليل احساسي اين نظرات بيش از هر زمان ديگري مورد نياز است. در سال هاي اخير روش هاي يادگيري عميق براي كار در حوزه ي متن مورد استقبال پژوهشگران قرار گرفته است و در اين ميان شبكه هاي عصبي CNN و LSTM عملكرد موفق تري داشته اند. در اين پايان نامه به دسته بندي نظرات سايت ديجي كالا در دو سطح قطبيت و شدت پرداخته شده است. سه مدل ارائه شده است، مدل اول يك شبكه ي عصبي كانولوشن عميق براي ورودي سطح كاراكتر است، مدل دوم شبكه ي عصبي CNN و LSTM را براي ورودي سطح كلمه پشت سر هم قرار مي دهد و مدل سوم از شبكه ي عصبي CNN و LSTM براي ورودي سطح كلمه به صورت موازي استفاده مي كند. در دو مدل با ورودي سطح كلمه براي استخراج بردارهاي ويژگي كلمات از مدل FastText استفاده شده است كه اين مدل مي تواند روابط معنايي و نحوي را در بردارهاي كلمات لحاظ كند. نتايج و معيارهاي محاسبه شده نشان مي دهد كه مدل هاي پيشنهادي عملكرد بهتري نسبت به كارهاي قبلي دارد. براي دسته‌بندي در سطح قطبيت مدل هاي CH_CNN، CNN-LSTM و CNN+LSTM به ترتيب 98.01، 97.88 و 97.81 درصد دقت و در سطح شدت 97.66، 97.17 و 96.07 درصد دقت را كسب كرده‌اند.

1400/02/16

A Thesis Submitted in Partial Fulfillment of the Requirement for the Degree of Master of Science in Digital Electronics Systems

1/1/1900 12:00:00 AM

Due to the increasing volume of users' comments on the Internet, such as online shopping sites and social networks, emotional analysis of these comments is needed more than ever. In recent years, deep learning methods for working in the field of text have been welcomed.by researchers, and among these, CNN and LSTM neural networks have had a more successful performance. In this dissertation, the comments of Digikala site have been classified into two levels of polarity and intensity. Three models are presented, the first model is a deep convolution neural network for character level input, the second model cascades CNN and LSTM neural networks for word level input, and the third model uses CNN and LSTM neural networks in parallel for word level input. In two models with word level input, the FastText model is used to extract word feature vectors, which can include semantic and syntactic relationships in word vectors. The calculated results and criteria show that the proposed models have a better performance than previous works.

يادگيري عميق , تجزيه و تحليل احساسات , نظركاوي , شبكه عصبي كانولوشن , LSTM

Deep Learning , Sentiment Analysis , Opinion Mining , Convolutional Neural Network , LSTM