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

كارشناسي ارشد

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.

195942

دانشگاه علم و صنعت ايران

برق-الكترونيك ديجيتال

دكتر ستار ميرزاكوچكي