تحلیل احساسات مبتنی بر جنبه با استفاده از شبکه رمزگذار توجه

پردازش زبان طبیعی به طور قابل توجهی در حال رشد است و با ظهور وب جهانی و موتورهای جستجو بسیار مورد توجه قرار گرفته است و محققین شاهد انفجاری در اطلاعات به زبان های مختلف شدند. تحلیل احساسات یکی از فعال ترین زمینه های مطالعاتی در پردازش زبان طبیعی است که بر طبقه بندی متن تمرکز دارد و به منظور شناسایی، استخراج و تجزیه و تحلیل اطلاعات ذهنی از منابع متنی استفاده می شود. تحلیل احساسات مبتنی بر جنبه  یک تکنیک تحلیل متن است که نظرات را بر اساس جنبه طبقه بندی می کند و احساسات مربوط به هر جنبه را مشخص می کند. این تحلیل می تواند برای تحلیل اتوماتیک بازخورد نظرات مشتریان به بخشهای مختلف کالا یا خدمات مورد استفاده قرار گیرد و به کارفرمایان برای تمرکز بر نقاط نیازمند ارتقای کیفیت کمک کند.  در این مقاله به معرفی یک معماری جدید مبتنی بر یادگیری عمیق برای تحلیل احساسات مبتنی بر جنبه خواهیم پرداخت. این معماری از یک مدل مبتنی بر شبکه رمزگذار توجه با چندین توجه چند سر  و تبدیل کانولوشن نقطه‌ای (که یک جایگزین قابل موازی سازی و تعاملی  lstm  است و برای محاسبه حالت های پنهان جاسازی های ورودی اعمال می شود) استفاده خواهد کرد. آزمایش این معماری روی سه دیتاست مختلف شامل رستوران ها و لپتاپ هاsemeval 2014 task 4 و مجموعه داده توئیتر acl 14 twitter  است که در هر سه مجموعه داده،  قطبیت احساسات مثبت، خنثی و منفی است، انجام گردیده است که مقایسه آن با روشهای مدرن تحلیل احساس مبتنی بر جنبه، دقت بالای این روش را نشان خواهد داد. بعنوان نمونه، تحلیل احساس مبتنی بر جنبه روی دیتاست رستوران ، 79/19 درصد دقت را نشان داده است که نسبت به روشهای مدرن 4/24% درصد دقت را بالا برده است. 

aspect-based sentiment analysis using the attentional encoder network

natural language processing is growing significantly and has gained much attention with the advent of the world wide web and search engines, and researchers have witnessed an explosion of information in different languages. sentiment analysis is one of the most active fields of study in natural language processing that focuses on text classification and is used to identify, extract and analyze subjective information from text sources. aspect-based sentiment analysis is a text analysis technique that classifies comments by aspect and identifies the sentiment associated with each aspect. this analysis can be used to automatically analyze the feedback of customers' comments to different parts of goods or services and help employers to focus on points that need quality improvement. in this paper, we will introduce a new architecture based on deep learning for aspect-based sentiment analysis. this architecture will use an attention-encoder network-based model with multiple multi-head attention and a pointwise convolutional transform (which is a parallelizable and interactive alternative to lstm and is applied to compute hidden states of input embeddings). testing this architecture on three different datasets, including restaurants and laptops, semeval 2014 task 4 and acl 14 twitter dataset, in all three datasets, the polarity of emotions is positive, neutral and negative, which is compared with modern methods of sentiment analysis. based on the aspect, it will show the high accuracy of this method. for example, the aspect-based sentiment analysis on the laptop dataset has shown 79.15% accuracy, which has increased the accuracy by 4.24% compared to modern methods.