بهبود تعیین قطبیت جمله در تحلیل احساسات مبتنی بر الگوریتم یادگیری عمیق rnn و lstm

امروزه به دلیل وجود حجم انبوه نظرات منتشرشده توسط افراد در فضای مجازی، تحلیل احساسات نقش اساسی را در استخراج اطلاعات بازی می-کند. یکی از تکنیکهای نوین براساس مطالعات انجام‌شده به منظور تعیین دقیق‌تر قطبیت جمله در تحلیل احساسات مبتنی بر الگوریتم‌های یادگیری عمیق است. در این تحقیق به منظور تعیین قطبیت نظرات متنی از الگوریتم یادگیری عمیق lstm و rnn استفاده شده‌است تا با بررسی و مقایسه این دو الگوریتم بتوان الگوریتم مناسب برای تحلیل احساسات را انتخاب نمود. همچنین در روش پیشنهادی برای تعیین روابط معنایی بین کلمات از روش تعبیه‌گذاری کلمات از پیش آموزش داده‌شده‌ی wordtovec استفاده‌شد تا دقت روش پیشنهادی افزایش یابد. روش پیشنهادی بر روی دو مجموعه داده airline-tweet و imdb ارزیابی شد. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی بر روی مجموعه داده airline-tweet در صورت استفاده از تعبیه‌گذاری wordtovec دقت 0.78 دارد. همچنین روش پیشنهادی بر روی مجموعه داده imdb در صورت استفاده از تعبیه‌گذاری wordtovec دقت 0.84 دارد.

improving sentence polarity determination in sentiment analysis based on rnn and lstm deep learning algorithm

today, due to the large volume of opinions published by people in cyberspace, sentiment analysis plays a key role in extracting information. one of the new techniques based on studies has been done to determine the exact polarity of the sentence in sentiment analysis is deep learning algorithms. in this research, two deep learning algorithms, namely rnn and lstm, has been used to determine sentence polarity in order to achieve more accurate results. moreover, in the proposed technique, pre-trained word embedding algorithm, namely wordtovec, was used to determine the semantic relationships between words to increase the accuracy of the proposed method. the proposed method was evaluated on two data sets; airline-tweet and imdb. the evaluation results show that on the airline-tweet dataset, the proposed method has an accuracy of 0.78 and accuracy of 0.84 on the imdb data set.