استفاده از مدل‌های یادگیری انتقالی برای بهبود تشخیص احساسات بصری در شبکه‌های اجتماعی

تجزیه و تحلیل احساسات افراد از محتوای رسانه‌های اجتماعی از طریق متن، گفتار و تصاویر، در انواع مختلفی از برنامه‌ها و کاربردها مورد نیاز است. اکثر مطالعات تحقیقاتی اخیر در زمینه تجزیه و تحلیل احساسات، بر داده‌های متنی تمرکز داشته‌اند. با این حال، کاربران رسانه‌های اجتماعی، عکس‌ها و فیلم‌های مشابه بیشتری نسبت به متن به اشتراک می‌گذارند. به‌عبارت دیگر، تصاویر بهترین روش برای انتقال احساسات به دیگران هستند. از این رو، تمرکز بر توسعه یک مدل تحلیل احساسات بر اساس تصاویر در رسانه‌های اجتماعی اهمیت دارد. در این مقاله، از مدل یادگیری انتقال densenet-121 برای تحلیل احساسات بر اساس تصاویر استفاده خواهیم کرد. برای پیاده‌سازی این روش، از تصاویر موجود در مجموعه داده image sentiment استفاده خواهیم نمود. این مجموعه داده شامل آدرس‌های اینترنتی تصاویر به‌همراه قطبیت‌های احساسی آن‌ها است. بر اساس نتایج به‌دست‌آمده، دقت مدل پیشنهادی در این مقاله برابر با 89 % است که در مقایسه با کارهای پیشین در زمینه تجزیه و تحلیل احساسات بصری، مدل پیشنهادی، بهبود 5 تا 10 درصدی را نشان‌می‌دهد.

improving visual sentiment analysis in social networks using transfer learning models

analyzing individuals’ emotions from the content of social media through text, speech, and images is necessary for various types of applications and purposes. most recent research studies in the field of sentiment analysis have focused on textual data. however, social media users share more images and videos compared to text. in other words, images are the most effective way to convey emotions to others. therefore, focusing on the development of a sentiment analysis model based on images in social media is important. in this article, we will use the densenet-121 transfer learning model to analyze emotions based on images. to implement this approach, we will utilize the images available in the image sentiment dataset. this dataset includes internet links to images along with their emotional polarities. based on the obtained results, the accuracy of the proposed model in this article is 89%, which, compared to previous work in the field of visual sentiment analysis, shows a 5% to 10% improvement.