تشخیص موضع اسناد با استفاده از جاسازی کلمات و بردار اهداف: روشی نوین براساس anova

تشخیص موضع، که به ارزیابی موقعیت یک بیانیه در برابر هدف خاصی اطلاق می‌شود، به عنوان یکی از حوزه‌های مهم در پردازش زبان طبیعی شناخته می‌شود. این فرآیند به طور کلی شامل شناسایی اینکه آیا یک ادعا نسبت به موضوعی خاص موافق، مخالف، یا خنثی است. با توجه به گسترش شبکه‌های اجتماعی و افزایش انتشار نظرات و دیدگاه‌ها، تشخیص موضع از داده‌های متنی به یک ابزار قدرتمند برای تحلیل و درک افکار عمومی تبدیل شده است. تاکنون، اکثر تحقیقات در این حوزه بر استفاده از مدل‌های آموزش‌دیده جاسازی کلمات برای ارزیابی موضع متون متمرکز بوده‌اند. با این حال، این کارها اغلب نقش کلیدی اهدافی را که یک متن در قبال آنها ارزیابی می‌شود، نادیده گرفته‌اند. در این مقاله، ما با توجه به اهمیت تعیین اهداف در تشخیص موضع، یک رویکرد نوآورانه که بر جاسازی‌های مبتنی بر اهداف تمرکز دارد، را ارائه می‌دهیم. استفاده از مجموعه داده‌های semeval2016، که شامل پنج هدف مختلف است، به ما امکان داد تا کارایی روش پیشنهادی خود را به اثبات برسانیم. ما توانستیم با ارائه روش پیشنهادی خود به دقت میانگین 79.5 درصد در این مجموعه‌داده برسیم که 4 درصد نتایج کارهای پیشین را بهبود داده است.

document stance detection using word embedding and target vector: a novel method based on anova

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.