روشي كارا بر پايه تركيب مدل‌هاي يادگيري ژرف براي تجزيه ‌و تحليل احساسات در متون

يكي از مهم‌ترين داده‌هاي متني موجود در سطح وب احساسات و ديد‌گاه‌‌هاي افراد نسبت به يك موضوع يا مفهوم مشخص است. با اين حال، يافتن و نظارت بر وبگاه‌هاي حاوي اين احساسات و استخراج اطلاعات موردنياز از آن‌ها به‌علت گسترش وبگاه‌هاي گوناگون كاري دشوار محسوب مي‌شود. در اين راستا، توسعه سامانه‌هاي تجزيه ‌و تحليل خودكار احساسات كه بتواند نظرات را استخراج كرده و روند فكري مرتبط با آن‌ها را بيان كند، در سال‌هاي اخير توجه زيادي را به خود جلب كرده است و روش‌هاي بر پايه يادگيري ژرف، يكي از راه‌كارهايي هستند كه توانسته‌ا‌ند به نتايج چشم‌گيري در كاربردهاي مختلف پردازش زبان‌هاي طبيعي به‌خصوص تجزيه ‌و تحليل احساسات دست يابند؛ اما اين روش‌ها برخلاف عملكرد قابل‌توجه هنوز با چالش‌هايي مواجه هستند و نياز به پيشرفت در اين حوزه همچنان وجود دارد؛ ازاين‌رو، هدف اين مقاله تركيب مدل‌هاي يادگيري ژرف به‌منظور ارائه يك روش جديد براي تجزيه ‌و تحليل احساسات متني است كه بتواند ضمن استفاده هم‌زمان از مزاياي شبكه‌هاي عصبي ژرف بر مشكلات آن‌ها چيره شود. در اين راستا، در اين مقاله روشي بر پايه تركيب شبكه عصبي پيچشي و شبكه عصبي هم‌گشتي معرفي‌ شده است كه در آن به‌منظور حفظ وابستگي‌هاي بلندمدت در جملات و كاهش از‌دست‌رفتن داده‌هاي محلي كه به‌عنوان چالش‌هاي شبكه عصبي پيچشي به شمار‌ مي‌آيند، از لايه هم‌گشتي تعميم‌يافته كه در آن از يك ويژگي مياني حاصل از تركيب گره‌هاي فرزندان استفاده مي‌شود، به‌عنوان جايگزين لايه ادغام در شبكه عصبي پيچشي بر پايه ساز‌و‌كار توجه استفاده شده است. بر اساس نتايج آزمايش‌ها، روش پيشنهادي به‌ترتيب با دقت 53.92 و 92.89 درصد روي مجموعه‌داده‌هاي SST1 و SST2 و داراي دقت بالاتري نسبت به ساير روش‌هاي موجود است.