شماره ركورد كنفرانس :
5454
عنوان مقاله :
تشخيص موضع اسناد با استفاده از جاسازي كلمات و بردار اهداف: روشي نوين براساس ANOVA
عنوان به زبان ديگر :
Document Stance Detection using Word Embedding and Target Vector: A Novel Method based on ANOVA
پديدآورندگان :
بينش عليرضا alireza_binesh@comp.iust.ac.ir مهندسي كامپيوتر، دانشگاه علم و صنعت ايران، تهران , رحماني حسين h_rahmani@iust.ac.ir مهندسي كامپيوتر، دانشگاه علم و صنعت ايران، تهران , اله‌قلي ميلاد milad_allahgholi@comp.iust.ac.ir مهندسي كامپيوتر، دانشگاه علم و صنعت ايران، تهران , سلطان‌زاده پريناز p_soltanzadeh77@comp.iust.ac.ir مهندسي كامپيوتر، دانشگاه علم و صنعت ايران، تهران
كليدواژه :
تشخيص موضع , داده‌هاي متني , جاسازي كلمه , جاسازي هدف , پيش‌بيني موضع , يادگيري گروهي
عنوان كنفرانس :
دهمين كنفرانس بين المللي وب پژوهي
چكيده فارسي :
تشخيص موضع، كه به ارزيابي موقعيت يك بيانيه در برابر هدف خاصي اطلاق مي‌شود، به عنوان يكي از حوزه‌هاي مهم در پردازش زبان طبيعي شناخته مي‌شود. اين فرآيند به طور كلي شامل شناسايي اينكه آيا يك ادعا نسبت به موضوعي خاص موافق، مخالف، يا خنثي است. با توجه به گسترش شبكه‌هاي اجتماعي و افزايش انتشار نظرات و ديدگاه‌ها، تشخيص موضع از داده‌هاي متني به يك ابزار قدرتمند براي تحليل و درك افكار عمومي تبديل شده است. تاكنون، اكثر تحقيقات در اين حوزه بر استفاده از مدل‌هاي آموزش‌ديده جاسازي كلمات براي ارزيابي موضع متون متمركز بوده‌اند. با اين حال، اين كارها اغلب نقش كليدي اهدافي را كه يك متن در قبال آنها ارزيابي مي‌شود، ناديده گرفته‌اند. در اين مقاله، ما با توجه به اهميت تعيين اهداف در تشخيص موضع، يك رويكرد نوآورانه كه بر جاسازي‌هاي مبتني بر اهداف تمركز دارد، را ارائه مي‌دهيم. استفاده از مجموعه داده‌هاي SemEval2016، كه شامل پنج هدف مختلف است، به ما امكان داد تا كارايي روش پيشنهادي خود را به اثبات برسانيم. ما توانستيم با ارائه روش پيشنهادي خود به دقت ميانگين 79.5 درصد در اين مجموعه‌داده برسيم كه 4 درصد نتايج كارهاي پيشين را بهبود داده است.
چكيده لاتين :
Stance detection, which refers to the assessment of a statement s position regarding a specific target, is recognized as an important area in natural language processing. This process generally involves identifying whether a claim is in favor of, against, or neutral towards a particular subject. With the expansion of social networks and the increase in the sharing of opinions and viewpoints, stance detection from textual data has become a powerful tool for analyzing and understanding public opinion. To date, most research in this field has focused on using trained word embedding models to assess the stance of texts. However, these efforts often overlook the key role of the targets against which a text is evaluated. In this paper, considering the importance of determining targets in stance detection, we present an innovative approach that focuses on target-based embeddings. Using the SemEval2016 dataset, which includes five different targets, allowed us to demonstrate the effectiveness of our proposed method. We were able to achieve an average accuracy of 79.5 percent on this dataset, which is a 4 percent improvement over the results of previous works.
