دوره 20، شماره 4 - ( 12-1402 )
جلد 20 شماره 4 صفحات 128-121 |
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:
karimi S, Jafarinejad F. Aspect-Based Sentiment Analysis using the Attentional Encoder Network. JSDP 2024; 20 (4) : 8
URL: http://jsdp.rcisp.ac.ir/article-1-1321-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1321-fa.html
کریمی سمیه، جعفری نژاد فاطمه. تحلیل احساسات مبتنی بر جنبه با استفاده از شبکه رمزگذار توجه. پردازش علائم و داده‌ها. 1402; 20 (4) :121-128
دانشگاه صنعتی شاهرود
چکیده: (414 مشاهده)
پردازش زبان طبیعی به طور قابل توجهی در حال رشد و با ظهور تارنمای جهانی و موتورهای جستجو بسیار مورد توجه قرار گرفته است و پژوهشگران شاهد انفجاری در اطلاعات به زبانهای مختلف شدند. تحلیل احساسات یکی از فعالترین زمینه های مطالعاتی در پردازش زبان طبیعی است که بر طبقه بندی متن تمرکز دارد و بهمنظور شناسایی، استخراج و تجزیه و تحلیل اطلاعات ذهنی از منابع متنی استفاده می‌شود. تحلیل احساسات مبتنی بر جنبه یک روش تحلیل متن است که نظرات را بر اساس جنبه طبقه بندی و احساسات مربوط به هر جنبه را مشخص می کند. این تحلیل میتواند برای تحلیل خودکار بازخورد نظرات مشتریان به بخش های مختلف کالا یا خدمات مورد استفاده قرار گیرد و به کارفرمایان برای تمرکز بر نقاط نیازمند ارتقای کیفیت کمک کند. در این مقاله به معرفی یک معماری جدید مبتنی بر یادگیری عمیق برای تحلیل احساسات مبتنی بر جنبه خواهیم پرداخت. این معماری از یک مدل از دولایه رمزگذار توجه (که یک جایگزین قابل موازی سازی و تعاملی LSTM است و برای محاسبه حالت های پنهان جاسازی های ورودی اعمال می‌شود) استفاده خواهد کرد. آزمایش این معماری روی سه مجموعه داده مختلف شامل رستوران ها و لپتاپ‌هاSemEval 2014 Task 4 و مجموعه داده ACL 14 Twitter است که در هر سه مجموعه داده، قطبیت احساسات مثبت، خنثی و منفی است، انجام شده‌است که مقایسه آن با روش های مدرن تحلیل احساس مبتنی بر جنبه، دقت بالای این روش را نشان خواهد داد. برای نمونه، تحلیل احساس مبتنی بر جنبه روی مجموعه داده لپتاپ، 79.15 درصد دقت را نشان داده که نسبت به روش های مدرن 4.24 درصد دقت را بالا برده است.
شماره‌ی مقاله: 8
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش متن
دریافت: 1401/4/7 | پذیرش: 1402/9/18 | انتشار: 1403/2/6 | انتشار الکترونیک: 1403/2/6
دریافت: 1401/4/7 | پذیرش: 1402/9/18 | انتشار: 1403/2/6 | انتشار الکترونیک: 1403/2/6
فهرست منابع
1. [1] Z. Rajabi, M. valavi, and M. Hourali, "Sentiment analysis methods in Persian text: A survey," Signal Data Process., vol. 19, no. 2, pp. 107-132, 2022, doi: 10.52547/jsdp.19.2.107. [DOI:10.52547/jsdp.19.2.107]
2. [2]"https://daneshyari.com/isi/articles/sentiment_anal."
3. [3] S. Behdenna, F. Barigou, and G. Belalem, "EAI Endorsed Transactions Document Level Sentiment Analysis : A survey," vol. 4, no. 1, pp. 1-8, 2017. [DOI:10.4108/eai.14-3-2018.154339]
4. [4] V. S. Jagtap and K. Pawar, "Analysis of different approaches to Sentence-Level Sentiment Classification," Int. J. Sci. Eng. Technol., vol. 2, no. 3, pp. 164-170, 2013, [Online]. Available: http://ijset.com/ijset/ publication/v2s3/paper11.pdf
5. [5] H. Wan, Y. Yang, J. Du, Y. Liu, K. Qi, and J. Z. Pan, "Target-aspect-sentiment joint detection for aspect-based sentiment analysis," AAAI 2020 - 34th AAAI Conf. Artif. Intell., pp. 9122-9129, 2020, doi: 10.1609/aaai.v34i05.6447. [DOI:10.1609/aaai.v34i05.6447]
6. [6] Y. Kim, "Convolutional neural networks for sentence classification," EMNLP 2014 - 2014 Conf. Empir. Methods Nat. Lang. Process. Proc. Conf., pp. 1746-1751, 2014, doi: 10.3115/v1/d14-1181. [DOI:10.3115/v1/D14-1181]
7. [7] A. K. Sharma, S. Chaurasia, and D. K. Srivastava, "Sentimental Short Sentences Classification by Using CNN Deep Learning Model with Fine Tuned Word2Vec," Procedia Comput. Sci., vol. 167, no. 2019, pp. 1139-1147, 2020, doi: 10.1016/j.procs.2020.03.416. [DOI:10.1016/j.procs.2020.03.416]
8. [8] S. Ramaswamy and N. DeClerck, "Customer perception analysis using deep learning and NLP," Procedia Comput. Sci., vol. 140, pp. 170-178, 2018, doi: 10.1016/j.procs.2018-.10.326. [DOI:10.1016/j.procs.2018.10.326]
9. [9] H. Sadr, M. mohsen Pedram, and M. Teshnehlab, "Efficient Method Based on Combination of Deep Learning Models for Sentiment Analysis of Text," Signal Data Process., vol. 19, no. 1, pp. 19-38, 2022, doi: 10.52547/jsdp.19.1.19. [DOI:10.52547/jsdp.19.1.19]
10. [10] Y. Wang, M. Huang, L. Zhao, and X. Zhu, "Attention-based LSTM for aspect-level sentiment classification," EMNLP 2016 - Conf. Empir. Methods Nat. Lang. Process. Proc., pp. 606-615, 2016, doi: 10.18653/v1/d16-1058. [DOI:10.18653/v1/D16-1058]
11. [11] T. Chen, R. Xu, Y. He, and X. Wang, "Improving sentiment analysis via sentence type classification using BiLSTM-CRF and CNN," Expert Syst. Appl., vol. 72, pp. 221-230, 2017, doi: 10.1016/j.eswa.2016.10.065. [DOI:10.1016/j.eswa.2016.10.065]
12. [12] D. Tang, B. Qin, X. Feng, and T. Liu, "Effective LSTMs for target-dependent sentiment classification," COLING 2016 - 26th Int. Conf. Comput. Linguist. Proc. COLING 2016 Tech. Pap., pp. 3298-3307, 2016.
13. [13] Y. Song, J. Wang, T. Jiang, Z. Liu, and Y. Rao, "Targeted Sentiment Classification with Attentional Encoder Network," Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 11730 LNCS, pp. 93-103, 2019, doi: 10.1007/978-3-030-30490-4_9. [DOI:10.1007/978-3-030-30490-4_9]
14. [14] M. Pontiki, D. Galanis, H. Papageorgiou, S. Manandhar, and I. Androutsopoulos, "SemEval-2015 Task 12: Aspect Based Sentiment Analysis," SemEval 2015 - 9th Int. Work. Semant. Eval. co-located with 2015 Conf. North Am. Chapter Assoc. Comput. Linguist. Hum. Lang. Technol. NAACL-HLT 2015 - Proc., pp. 486-495, 2015, doi: 10.18653/v1/s15-2082. [DOI:10.18653/v1/S15-2082]
15. [15] L. Dong, F. Wei, C. Tan, D. Tang, M. Zhou, and K. Xu, "Adaptive Recursive Neural Network for target-dependent Twitter sentiment classification," 52nd Annu. Meet. Assoc. Comput. Linguist. ACL 2014 - Proc. Conf., vol. 2, pp. 49-54, 2014, doi: 10.3115/v1/p14-2009. [DOI:10.3115/v1/P14-2009] []
16. [16] T. S. Ataei, K. Darvishi, S. Javdan, B. Minaei-Bidgoli, and S. Eetemadi, "Pars-ABSA: an Aspect-based Sentiment Analysis dataset for Persian," pp. 1-6, 2019.
17. [17] G. Pang, K. Lu, X. Zhu, J. He, Z. Mo, and Z. Peng, "Aspect-Level Sentiment Analysis Approach via BERT and Aspect Feature Location Model," vol. 2021, 2021. [DOI:10.1155/2021/5534615]
18. [18] Z. Sun, L. Bing, W. Yang, and P. Chen, "Recurrent Attention Network on Memory for Aspect Sentiment Analysis," pp. 452-461, 2017.
19. [19] R. Wang, "Interactive Attention Encoder Network with Local Context Features for Aspect-Level Sentiment Analysis," no. Iccc, pp. 571-576, 2020, doi: 10.1109/ICCC49849. 2020.9238924. [DOI:10.1109/ICCC49849.2020.9238924]
20. [20] F. Fan, Y. Feng, and D. Zhao, "Multi-grained Attention Network for Aspect-Level Sentiment Classification," pp. 3433-3442, 2018. [DOI:10.18653/v1/D18-1380]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
