دوره 22، شماره 3 - ( 9-1404 )
جلد 22 شماره 3 صفحات 102-91 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Balouchi A, Bagmohmmadi M, Karmi M. Using Majority Voting in Graph Neural Networks for Aspect-Based Sentiment Analysis. JSDP 2025; 22 (3) : 6
URL: http://jsdp.rcisp.ac.ir/article-1-1431-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1431-fa.html
بلوچی علی، بگ محمدی مظفر، کرمی مجتبی. استفاده از رأیگیری بیشینه در شبکههای عصبی گراف برای تحلیل احساسات مبتنی بر جنبه. پردازش علائم و دادهها. 1404; 22 (3) :91-102
کارشناسارشد مهندسی کامپیوتر، دانشگاه ایلام، ایلام، ایران
چکیده: (2553 مشاهده)
درک عواطف و احساسات مبتنی بر جنبه، وظیفهای کاربردی و مهم در حوزه پردازش زبان طبیعی است که دیدگاههای ظریفی را در دادههای متنی آشکار میسازد و به تحلیل عمیقتر محتوای متنی کمک میکند. تجزیهوتحلیل احساسات در سطح جنبه، در تشخیص دقیق احساسات بیانشده نسبت به یافتن ویژگیهای مثبت و منفی موضوعات مورد بحث، اهمیت فراوانی دارد و بههمین دلیل در زمینههایی مانند بررسی نظرات مشتریان، پایش شبکههای اجتماعی و بهبود سامانههای پیشنهاددهنده کاربردهای گستردهای پیدا کردهاست. در این مقاله، به تحلیل احساسات سطح جنبه با استفاده از شبکههای عصبی گراف (GCN) پرداخته میشود که این روشها در ثبت روابط پیچیده درون دادهها نسبت به رویکردهای کلاسیک عملکرد بهتری داشته و برای تشخیص احساسات مرتبط با جنبههای خاص، گزینهای مناسب بهشمار میروند. روش پیشنهادی در این پژوهش شامل استفاده از ترکیب نتایج چند مدل پیادهسازیشده مبتنی بر الگوریتمهای GCN بر روی مجموعهدادههای معیار برای تحلیل احساسات سطح جنبه است. مدلهای پیادهسازیشده شامل DualGCN، RDGCN، SSEGCN و R-GAT هستند که هرکدام با بهرهگیری از دیدگاهها و معماریهای متفاوت، قابلیتهای متنوعی در استخراج ویژگیهای ساختاری و معنایی متن ارائه میدهند. این مدلها با استفاده از رویکرد یادگیری جمعی که فرایند رأیگیری بیشینه را شامل میشود، ترکیب شدهاند و درنتیجه پیشرفتهای قابل توجهی را نسبت به مدلهای فردی نشان میدهند. مجموعهداده انتخابی این پژوهش شامل SemEval2014 (زیرمجموعههای رستوران 14 و لپتاپ) و توییتر است. در مجموعهداده رستوران 14، مدل نهایی شاهد افزایش 2.15% در معیار دقت (Accuracy) و 2.8% در معیار امتیاز F1 (F1-Score) نسبت به مدلهای پایه بودهاست؛ همچنین، در مجموعهداده لپتاپ افزایش قابل توجهی معادل 9.2 درصد در معیار دقت و 11.74 درصد در معیار امتیاز F1 مشاهده شدهاست؛ درنهایت، در مجموعهداده توییتر، افزایش 7.8% در معیار دقت و 8.7% در معیار امتیاز F1 به ثبت رسیدهاست. نتایج نشان میدهند که رویکرد جدید و پیشگام این پژوهش توانسته است بالاترین درصد دقت را نسبت به پژوهشهای اخیر در این حوزه بهدست آورد.
شمارهی مقاله: 6
واژههای کلیدی: پردازش زبان طبیعی، یادگیری عمیق، شبکههای عصبی گراف، تحلیل احساسات سطح جنبه، یادگیری جمعی.
نوع مطالعه: كاربردي |
موضوع مقاله:
مقالات پردازش متن
دریافت: 1403/4/18 | پذیرش: 1404/4/30 | انتشار: 1404/9/28 | انتشار الکترونیک: 1404/9/28
دریافت: 1403/4/18 | پذیرش: 1404/4/30 | انتشار: 1404/9/28 | انتشار الکترونیک: 1404/9/28
فهرست منابع
1. W. Medhat, A. Hassan, and H. Korashy, "Sentiment analysis algorithms and applications: A survey," Ain Shams Engineering Journal, vol. 5, no. 4, pp. 1093-1113, Dec. 2014, doi: 10.1016/j.asej.2014.04.011. [DOI:10.1016/j.asej.2014.04.011]
2. H. H. Do, P. W. Prasad, A. Maag, and A. Alsadoon, "Deep learning for aspect-based sentiment analysis: a comparative review," Expert Systems with Applications, vol. 118, pp. 272-299, 2019. [DOI:10.1016/j.eswa.2018.10.003]
3. کریمی، سمیه و جعفرینژاد، فاطمه، «تحلیل احساسات مبتنی بر جنبه با استفاده از شبکه رمزگذار توجه»، نشریه پردازش علائم و دادهها، دوره 20، شماره 4، صص. 121-128، اسفند 1402.
3. S. Karimi and F. Jafarinejad, "Aspect-Based Sentiment Analysis using the Attentional Encoder Network," Journal of Scientific Development and Planning (JSDP), vol. 20, no. 4, p. 8, 2024. [Online]. Available: http://jsdp.rcisp.ac.ir/article-1-1321-fa.html. [DOI:10.61186/jsdp.20.4.121]
4. میر، مرضیه و نوفرستی، سمیرا، «بهکارگیری روشهای دادهافزایی برای تحلیل احساسات کاربران درباره بازگشایی مدارس در دوران همهگیری کووید-19»، نشریه پردازش علائم و دادهها، دوره 21، شماره 2، صص. 3-14، آبان 1403.
4. M. Mir and S. Noferesti, "Using Data Augmentation Techniques for Sentiment Analysis of Users' Opinions on Reopening of Schools During the Covid-19 Epidemic," Journal of Scientific Development and Planning (JSDP), vol. 21, no. 2, p. 1, 2024. [Online]. Available: http://jsdp.rcisp.ac.ir/article-1-1385-fa.html. [DOI:10.61186/jsdp.21.2.3]
5. H. Liu, I. Chatterjee, M. Zhou, X. S. Lu, and A. Abusorrah, "Aspect-Based Sentiment Analysis: A Survey of Deep Learning Methods," IEEE Transactions on Computational Social Systems, vol. 7, no. 6, pp. 1358-1375, Dec. 2020, doi: 10.1109/TCSS.2020.3033302. [DOI:10.1109/TCSS.2020.3033302]
6. J. Zhou et al., "Graph neural networks: A review of methods and applications," AI Open, vol. 1, pp. 57-81, 2020. [DOI:10.1016/j.aiopen.2021.01.001]
7. W. Liao, B. Zeng, J. Liu, P. Wei, X. Cheng, and W. Zhang, "Multi-level graph neural network for text sentiment analysis," Computers & Electrical Engineering, vol. 92, p. 107096, Jun. 2021, doi: 10.1016/j.compeleceng.2021.107096. [DOI:10.1016/j.compeleceng.2021.107096]
8. H. T. Phan, N. T. Nguyen, and D. Hwang, "Aspect-level sentiment analysis: A survey of graph convolutional network methods," Information Fusion, vol. 91, pp. 149-172, Mar. 2023, doi: 10.1016/j.inffus.2022.10.004. [DOI:10.1016/j.inffus.2022.10.004]
9. K. Sun, R. Zhang, S. Mensah, Y. Mao, and X. Liu, "Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree," in Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), K. Inui, J. Jiang, V. Ng, and X. Wan, Eds., Hong Kong, China, Nov. 2019, pp. 5679-5688, doi: 10.18653/v1/D19-1569. [DOI:10.18653/v1/D19-1569]
10. B. Huang and K. Carley, "Syntax-Aware Aspect Level Sentiment Classification with Graph Attention Networks," in Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), K. Inui, J. Jiang, V. Ng, and X. Wan, Eds., Hong Kong, China, Nov. 2019, pp. 5469-5477, doi: 10.18653/v1/D19-1549. [DOI:10.18653/v1/D19-1549]
11. C. Zhang, Q. Li, and D. Song, "Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks," in Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), K. Inui, J. Jiang, V. Ng, and X. Wan, Eds., Hong Kong, China, Nov. 2019, pp. 4568-4578, doi: 10.18653/v1/D19-1464. [DOI:10.18653/v1/D19-1464]
12. M. Zhang and T. Qian, "Convolution over Hierarchical Syntactic and Lexical Graphs for Aspect Level Sentiment Analysis," in Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), B. Webber, T. Cohn, Y. He, and Y. Liu, Eds., Online, Nov. 2020, pp. 3540-3549, doi: 10.18653/v1/2020.emnlp-main.286. [DOI:10.18653/v1/2020.emnlp-main.286]
13. B. Liang, R. Yin, L. Gui, J. Du, and R. Xu, "Jointly Learning Aspect-Focused and Inter-Aspect Relations with Graph Convolutional Networks for Aspect Sentiment Analysis," in Proceedings of the 28th International Conference on Computational Linguistics, D. Scott, N. Bel, and C. Zong, Eds., Barcelona, Spain (Online), Dec. 2020, pp. 150-161, doi: 10.18653/v1/2020.coling-main.13. [DOI:10.18653/v1/2020.coling-main.13]
14. R. Li, H. Chen, F. Feng, Z. Ma, X. Wang, and E. Hovy, "Dual Graph Convolutional Networks for Aspect-based Sentiment Analysis," in Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (ACL-IJCNLP), C. Zong, F. Xia, W. Li, and R. Navigli, Eds., Online, Aug. 2021, pp. 6319-6329, doi: 10.18653/v1/2021.acl-long.494. [DOI:10.18653/v1/2021.acl-long.494]
15. K. Wang, W. Shen, Y. Yang, X. Quan, and R. Wang, "Relational Graph Attention Network for Aspect-based Sentiment Analysis," in Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), D. Jurafsky, J. Chai, N. Schluter, and J. Tetreault, Eds., Online, Jul. 2020, pp. 3229-3238, doi: 10.18653/v1/2020.acl-main.295. [DOI:10.18653/v1/2020.acl-main.295]
16. Z. Zhang, Z. Zhou, and Y. Wang, "SSEGCN: Syntactic and Semantic Enhanced Graph Convolutional Network for Aspect-based Sentiment Analysis," in Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL-HLT), M. Carpuat, M.-C. de Marneffe, and I. V. Meza Ruiz, Eds., Seattle, United States, Jul. 2022, pp. 4916-4925, doi: 10.18653/v1/2022.naacl-main.362. [DOI:10.18653/v1/2022.naacl-main.362]
17. S. Liang, W. Wei, X.-L. Mao, F. Wang, and Z. He, "BiSyn-GAT+: Bi-Syntax Aware Graph Attention Network for Aspect-based Sentiment Analysis," in Findings of the Association for Computational Linguistics: ACL 2022, 2022, pp. 1835-1848, doi: 10.18653/v1/2022.findings-acl.144. [DOI:10.18653/v1/2022.findings-acl.144]
18. X. Zhao et al., "RDGCN: Reinforced Dependency Graph Convolutional Network for Aspect-based Sentiment Analysis," arXiv, Nov. 08, 2023, doi: 10.48550/arXiv.2311.04467.
19. Q. Gu, Z. Wang, H. Zhang, S. Sui, and R. Wang, "Aspect-Level Sentiment Analysis Based on Syntax-Aware and Graph Convolutional Networks," Applied Sciences, vol. 14, no. 2, p. 729, Jan. 2024, doi: 10.3390/app14020729. [DOI:10.3390/app14020729]
20. M. Pontiki, D. Galanis, J. Pavlopoulos, H. Papageorgiou, I. Androutsopoulos, and S. Manandhar, "SemEval-2014 Task 4: Aspect Based Sentiment Analysis," in Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014), P. Nakov and T. Zesch, Eds., Dublin, Ireland, Aug. 2014, pp. 27-35, doi: 10.3115/v1/S14-2004. [DOI:10.3115/v1/S14-2004]
21. L. Dong, F. Wei, C. Tan, D. Tang, M. Zhou, and K. Xu, "Adaptive Recursive Neural Network for Target-dependent Twitter Sentiment Classification," in Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics (ACL) (Volume 2: Short Papers), 2014. [DOI:10.3115/v1/P14-2009]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
