شبکه عصبی عمیق با معماری معنایی-احساسی برای تشخیص احساس در متن با استفاده از جاسازی کلمات از پیش آموزش‌دیده

شبکه عصبی عمیق با معماری معنایی-احساسی برای تشخیص احساس در متن با استفاده از جاسازی کلمات از پیش آموزش‌دیده


شبکه عصبی عمیق با معماری معنایی-احساسی برای تشخیص احساس در متن با استفاده از جاسازی کلمات از پیش آموزش‌دیده

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: شبکه عصبی عمیق با معماری معنایی-احساسی برای تشخیص احساس در متن با استفاده از جاسازی کلمات از پیش آموزش‌دیده

ارائه دهنده: Provider: فائزه اسدبیگی - رشته مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر حسن ختن‌لو - دکتر محرم منصوری‌زاده

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر رضا محمدی - دکتر مهدی سخائی نیا

زمان و تاریخ ارائه: Time and date of presentation: 16 بهمن 1402 ساعت 12-10

مکان ارائه: Place of presentation: کلاس 27

چکیده: Abstract: تشخیص احساسات از متن به سبب نیاز سازمان‌ها و مراجع به اطلاعات موجود در داده‌های مکتوب از اهمیت بالایی برخوردار است. پژوهش‌ها نشان داده است که به علت وجود کلمات و عبارات عامیانه و یا خارج از دایره واژگانی و نیز بُعد پیچیده و متنوع بیان مکتوب احساسات در افراد مختلف، شبکه‌های عصبی عمیق در ثبت الگوها و بازنمایی‌های پیچیده عملکرد بهتری نسبت به دیگر روش‌های موجود از خود نشان داده‌اند. در این پژوهش، یک شبکه عصبی عمیق به نام معماری معنایی-احساسی با استفاده از برچسب‌گذاری اجزای کلام برای تشخیص احساسات در متن، با استفاده از جاسازی‌ واژه‌های از پیش آموزش‌دیده پیشنهاد شده است. این مدل اطلاعات معنایی و اطلاعات احساسی موجود در متن را با توجه به نقش گرامری کلمات در جمله، باهم ادغام می‌کند تا معنا و احساس در متن را به خوبی به‌تصویر بکشد. از جاسازی‌های کلمات از پیش آموزش‌دیده، برای نمایش برداری کلمات استفاده شده است. این بردارها اطلاعات معنایی غنی را رمزگذاری می‌کنند و مدل را قادر می‌سازند تا زمینه و معنای کلمات را به طور مؤثرتر دریافت کند. معماری پیشنهادی از سه زیرلایه تشکیل شده است. اولین زیرشبکه از شبکه BiLSTM برای گرفتن اطلاعات متنی و تمرکز بر روابط معنایی استفاده می‌کند. دومین زیرشبکه از شبکه CNN برای استخراج ویژگی‌های احساسی استفاده می‌کند. این زیرشبکه روابط عاطفی بین کلمات را نیز درنظر می‌گیرد. سومین زیرشبکه از شبکه CNN و یک بلوک POS tagging برای استخراج ویژگی‌های بیشتر با توجه به نقش کلمات جمله، استفاده می‌کند. روش پیشنهادی بر روی مجموعه‌داده ISEAR اعمال و آزموده شده است. نتایج بدست آمده از آزمایش روش پیشنهادی بر روی مجموعه‌داده و مقایسه آن با روش‌های پیشین نشان می‌دهد که مدل عملکرد مطلوبی داشته و به نتایج قابل قبولی دست یافته است.

فایل: ّFile: