یادگیری توام برای طبقه‌بندی ویژگی و قطبیت در نظرات فارسی با استفاده از یادگیری عمیق چندوظیفه‌ای

هدف اصلی این مقاله متمرکز بر دو زیرمساله مرتبط با تحلیل احساسات مبتنی‌بر ویژگی یعنی، تشخیص مقوله ویژگی (acd) و قطبیت مقوله ویژگی (acp) در زبان فارسی است. روش‌های قبلی در حل این مسائل در بسیاری از زبان‌ها، آن‌ها را به‌عنوان دو مساله جداگانه بیان کرده و به‌ حل آن‌ها می‌پردازند. در این مقاله، ما یک مدل یادگیری چندوظیفه‌ای مبتنی‌بر شبکه‌های عمیق را پیشنهاد می‌دهیم، که می‌تواند به‌صورت توام (مشترک) مقوله ویژگی و قطبیت آن را شناسایی و استخراج کند. در راستای این کار و برای مقایسه، از چندین شبکه عمیق همانند، cnn، lstm، bi-lstm و gru استفاده گردید. روش پیشنهادی با استفاده از یک مجموعه داده منحصربه‌فرد از نظرات ارائه ‌شده در خصوص فیلم‌های فارسی مورد ارزیابی قرار گرفت که در پایان مدل cnn بهترین عملکرد را در معیارهای ارزیابی دقت زیرمجموعه و شاخص جاکارد، به ترتیب با نمره‌های 67.5% و 77.075% به‌دست آورد.

Joint Learning for Aspect and Polarity Classification in Persian Reviews Using Multi-Task Deep Learning

The main purpose of this paper focuses on two sub-tasks related to aspect-based sentiment analysis, namely, aspect category detection (ACD) and aspect category polarity (ACP) in Persian. Previous methods of solving these problems in many languages defined them as two separate problems and solve them. In this paper, we propose a multi-task learning model based on deep neural networks, which can jointly identify and extract the aspect category and its polarity. In order to do this and for comparison, several deep neural networks such as CNN, LSTM, Bi-LSTM and, GRU were used. The proposed method was evaluated using a unique dataset of opinions expressed in Persian movies. In the end, the CNN model achieved the best performance in subset accuracy evaluation metrics and Jacquard index, with scores of 67.5% and 77.075%, respectively.