تحلیل احساسات سطح جنبه با رویکرد یادگیری عمیق

تجزیه‌وتحلیل احساسات یکی از زمینه‌های پردازش زبان طبیعی است که طی آن، عواطف و احساساتِ کاربران با هدف تعیین نگرشِ گوینده، از متن استخراج می‌شود. اخیراً استفاده از یادگیری‌عمیق برای تحلیل احساسات به یکی از زمینه‌های تحقیقاتی مطرح مبدل گشته است. روشهای یادگیری عمیق در زمینه تحلیل احساسات موفق عمل کرده اند، با این وجود هر یک از مدلهای یادگیری عمیق عملکرد متفاوتی دارند. به عنوان مثال، مدل پیچشی برای استخراج ساختارهای محلی از داده ها مفید است و روشهای برگشتی امکان حفظ اطلاعات در دنباله ای از داده ها را فراهم می کنند. به منظور ترکیب مزایای مدلهای مختلف، در این مقاله روش جدیدی جهت تحلیل احساسات جنبه محور ارائه شده است که از یادگیری گروهی بر مبنای مدلهای یادگیری عمیق بهره می برد. در این روش، ابتدا چهار مدل یادگیری عمیق یعنی cnn،lstm ، bilstm وgru ایجاد شده و سپس خروجی این سیستم ها با رویکرد stacking از طریق یک مدل رگرسیون‌لجستیک با هم ترکیب می‌شوند. نتایج حاصل از اعمال روش پیشنهادی بر روی مجموعه داده های واقعی نمایانگر آن است که روش پیشنهادی در مقایسه با روشهای یادگیری عمیقِ پایه، دقت پیش‌بینی سطح جنبه را 5% الی 10% افزایش داده است.