جستجوی مقالات مرتبط با کلیدواژه « شبکه های عصبی lstm » در نشریات گروه « فنی و مهندسی »
-
با رشد تکنولوژی، استفاده از شبکههای اجتماعی محبوبیت بیشتری پیدا کرده است. یکی از محبوبترین شبکههای اجتماعی پلتفرم توییتر میباشد. تجزیه و تحلیل احساسات توییتهای کاربران نقش مهمی در نمایش احساسات کاربران از شرایط موجود جامعه دارد. در سالهای اخیر باتوجه به محاورهای شدن متنهای توییتهای کاربران تحلیل احساسات را دچار مشکل و باعث کاهش دقت آن شده است؛ همچنین باعث سختی عملیات پردازش زبان طبیعی شده است. در این پژوهش، روشی برای تحلیل احساسات توییتهای فارسی مبتنی بر ترکیب روابط معنایی و طبقهبندی ماشین بردار پشتیبان ارایه شده است. برای استخراج ویژگیها از رابطه معنایی FastText استفاده میشود. باتوجه به اینکه تعداد ویژگیهای زیادی استخراج شده است؛ باید آنها را کاهش داد که این عمل با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) صورت میپذیرد. در بخش آخر روش پیشنهادی برای طبقه بندی احساسات درون توییتها از مدل ماشین بردار پشتیبان بهره گرفته شده است. معیارهای ارزیابی مورد استفاده در این پژوهش دقت، صحت، فراخوان و معیار F بوده است که نتایج ارزیابی به ترتیب مقادیر 83.9، 84.3، 83.9 و 84 به دست آمده است. نتایج آزمایش ها نشان دهنده کاربردی بودن روش پیشنهادی در تحلیل احساسات توییتهای فارسی به شش کلاس عصبانیت، ناراحتی، شادی، انزجار، تعجببرانگیز و ترس است.
کلید واژگان: تحلیل احساسات چندکلاسه, پردازش زبان طبیعی, شبکه های عصبی LSTM, ماشین بردار پشتیبان}Journal of New Achievements in Electrical, Computer and Technology, Volume:2 Issue: 3, 2022, PP 134 -144With the development of technology, the use of social networks has become more popular. One of the most popular social networks is the Twitter platform. Sentiment analysis of users' tweets plays an important role in showing users' feelings about the existing conditions of society. In recent years, due to the fact that the text of users' tweets have become more conversational, sentiment analysis has become problematic and reduced its accuracy; It also makes natural language processing difficult. In this research, a method for sentiment analysis of Persian tweets based on the combination of semantic relations and support vector machine classification has been presented. FastText semantic relation is used to extract features. Considering that a large number of features have been extracted; They should be reduced, which is done by using long-short-term memory (LSTM) neural network. In the last part of the proposed method for the classification of sentiments in tweets, the support vector machine model is used. The evaluation criteria used in this research were precision, accuracy, recall and F criterion, and the evaluation results were 83.9, 84.3, 83.9 and 84, respectively. The results of the experiments show the applicability of the proposed method in analyzing the emotions of Persian tweets into six classes of anger, sad, joy, disgust, surprise and fear.
Keywords: multi-class sentiment analysis, natural language processing, LSTM neuralnetworks, support vector machine}
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.