دوره 21، شماره 2 - ( 8-1403 )
جلد 21 شماره 2 صفحات 14-3 |
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:
Mir M, Noferesti S. Using Data Augmentation Techniques for Sentiment Analysis of Users’ Opinions on Reopening of Schools During the Covid-19 Epidemic. JSDP 2024; 21 (2) : 1
URL: http://jsdp.rcisp.ac.ir/article-1-1385-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1385-fa.html
میر مرضیه، نوفرستی سمیرا. به‌کارگیری روشهای دادهافزایی برای تحلیل احساسات کاربران درباره بازگشایی مدارس در دوران همه‌گیری کووید-19. پردازش علائم و داده‌ها. 1403; 21 (2) :3-14
دانشیار گروه فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران
چکیده: (41 مشاهده)
ازجمله روشهای موفق برای تحلیل احساسات، روشهای یادگیری باناظر است که با آموزش یک طبقه‌بند بر روی یک مجموعهداده آموزشی از نظرات دارای برچسب احساس، یک مدل پیش‌بینی‌کننده می‌سازند که قادر است، جملات جدید را طبقه‌بندی کند. در زبان فارسی، نبود داده‌های آموزشیِ کافی و دقت کم ابزارهای پردازش زبان طبیعی، به‌کارگیری الگوریتم‌های باناظر و نیز استخراج ویژگی‌های باکیفیت را با چالش جدی روبهرو ساخته‌است. هدف مقاله حاضر به‌کارگیری روشهای یادگیری ماشین باناظر برای طبقه‌بندی نظرات مطرحشده توسط کاربران فارسی زبان در رسانه‌های اجتماعی درباره بازگشایی مدارس در دوران همه‌گیری کووید-19 است. برای غلبه بر مشکل کمبود داده‌های آموزشی یک روش ترکیبی برای دادهافزایی پیشنهاد شده‌است که اندازه مجموعه آموزش را حدود 97درصد افزایش میدهد. نتایج آزمایشهای انجامگرفته نشان میدهد که با اعمال روش پیشنهادی برای دادهافزایی و به‌کارگیری ویژگی‌های انتخابی در این مقاله، به‌ترتیب دقت 81 و 79درصد برای طبقه‌بندی نظرات با استفاده از الگوریتم‌های ماشین بردار پشتیبان و شبکه عصبی پیچشی حاصل می‌شود.
شماره‌ی مقاله: 1
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش متن
دریافت: 1402/3/19 | پذیرش: 1402/12/6 | انتشار: 1403/8/14 | انتشار الکترونیک: 1403/8/14
دریافت: 1402/3/19 | پذیرش: 1402/12/6 | انتشار: 1403/8/14 | انتشار الکترونیک: 1403/8/14
فهرست منابع
1. Liu, B., "Sentiment analysis and opinion mining", Synthesis lectures on human language technologies, Vol. 5, No. 1, pp. 1-167, 2012. [DOI:10.2200/S00416ED1V01Y201204HLT016]
2. Ahangari Ahangarkolaei, M., Sebti, A. and Yaghoubi, M., "Automatically generate sentiment lexicon for the Persian stock market", Signal and Data Processing, Vol. 20, No. 2, pp. 3-20, 2023. [DOI:10.61186/jsdp.20.2.3]
3. Noferesti, S. and Shamsfard, M., "A semantic framework based on domain knowledge for opinion mining of drug reviews", Journal of applied research and technology, Vol. 20, No. 6, pp. 652-667, 2022. [DOI:10.22201/icat.24486736e.2022.20.6.868]
4. Rajabi, Z., Valavi, M. and Hourali M., "Sentiment analysis methods in Persian text: A survey", Signal and Data Processing, Vol. 19, No. 2, pp. 107-132, 2019. [DOI:10.52547/jsdp.19.2.107]
5. Catelli, R., Pelosi, S., Comito, C., Pizzuti, C. and Esposito, M., "Lexicon-based sentiment analysis to detect opinions and attitude towards COVID-19 vaccines on Twitter in Italy", Computers in Biology and Medicine, Vol. 158, pp. 106876, 2023. [DOI:10.1016/j.compbiomed.2023.106876]
6. Huang, M., Xie, H., Rao, Y., Liu, Y., Poon, L. K. and Wang, F. L., "Lexicon-based sentiment convolutional neural networks for online review analysis", IEEE Transactions on Affective Computing, 2020.
7. Baccianella, S., Esuli, A. and Sebastiani, F., "Sentiwordnet 3.0: an enhanced lexical resource for sentiment analysis and opinion mining", LREC. 2010.
8. Cambria, E., Liu, Q., Decherchi, S., Xing, F. and Kwok, K., "SenticNet 7: A commonsense-based neurosymbolic AI framework for explainable sentiment analysis", In Proceedings of the Thirteenth Language Resources and Evaluation Conference, pp. 3829-3839, 2022.
9. Dashtipour, K., Hussain, A., Zhou, Q., Gelbukh, A., Hawalah, A.Y. and Cambria, E., "PerSent: A freely available Persian sentiment lexicon", In International Conference on Brain Inspired Cognitive Systems, pp. 310-320, Springer, Cham, 2016. [DOI:10.1007/978-3-319-49685-6_28]
10. Sabeti, B., Hosseini, P., Ghassem-Sani, G. and Mirroshandel, S.A., "LexiPers: An ontology based sentiment lexicon for Persian", arXiv preprint arXiv:1911.05263, 2019.
11. Revathy, G., Alghamdi, S.A., Alahmari, S.M., Yonbawi, S.R., Kumar, A. and Haq, M.A., "Sentiment analysis using machine learning: Progress in the machine intelligence for data science", Sustainable Energy Technologies and Assessments, Vo. 53, pp. 102557, 2022. [DOI:10.1016/j.seta.2022.102557]
12. Wang, Y., Chen, Q., Shen, J., Hou, B., Ahmed, M. and Li, Z., "Aspect-level sentiment analysis based on gradual machine learning", Knowledge-Based Systems, Vol. 212, pp.106509, 2021. [DOI:10.1016/j.knosys.2020.106509]
13. Riaz, S., Fatima, M., Kamran, M. and Nisar, M.W., "Opinion mining on large scale data using sentiment analysis and k-means clustering", Cluster Computing, Vol. 22, No. 3, pp. 7149-7164, 2019. [DOI:10.1007/s10586-017-1077-z]
14. Shams, M., Shakery, A. and Faili, H., "A non-parametric LDA-based induction method for sentiment analysis", In The 16th CSI international symposium on artificial intelligence and signal processing (AISP 2012). IEEE, 2012. [DOI:10.1109/AISP.2012.6313747]
15. Najafzadeh, M., Rahati Quchan, S. and Ghaemi, R., "A Semi-supervised Framework Based on Self-constructed Adaptive Lexicon for Persian Sentiment Analysis", Signal and Data Processing, Vol. 15, No. 2, pp. 89-102, 2018. [DOI:10.29252/jsdp.15.2.89]
16. Mendon, S., Dutta, P., Behl, A. and Lessmann, S., "A Hybrid approach of machine learning and lexicons to sentiment analysis: enhanced insights from twitter data of natural disasters", Information Systems Frontiers, pp.1-24, 2021. [DOI:10.1007/s10796-021-10107-x]
17. Ahangari, M. and Sebti, A., "A Hybrid Approach to Sentiment Analysis of Iranian Stock Market User's Opinions", International Journal of Engineering, Vol. 36, No. 3, pp.573-584, 2023. [DOI:10.5829/IJE.2023.36.03C.18]
18. Imran, A.S., Daudpota, S.M., Kastrati, Z. and Batra, R., "Cross-cultural polarity and emotion detection using sentiment analysis and deep learning on COVID-19 related tweets", IEEE Access, Vol. 8, pp.181074-181090, 2020. [DOI:10.1109/ACCESS.2020.3027350]
19. Manguri, K. H., Ramadhan, R. N. and Amin, P. R. M., "Twitter sentiment analysis on worldwide COVID-19 outbreaks", Kurdistan Journal of Applied Research, pp. 54-65, 2020. [DOI:10.24017/covid.8]
20. Kaur, C. and Sharma, A., "Twitter Sentiment Analysis on Coronavirus using Textblob", EasyChair, 2020.
21. Ra, M., Ab, B. and Kc, S., "COVID-19 outbreak: Tweet based analysis and visualization towards the influence of coronavirus in the World", 2020.
22. Costola, M., Hinz, O., Nofer, M. and Pelizzon, L., "Machine learning sentiment analysis, Covid-19 news and stock market reactions", Research in International Business and Finance, pp. 101881, 2023. [DOI:10.1016/j.ribaf.2023.101881]
23. Leelawat, N., Jariyapongpaiboon, S., Promjun, A., Boonyarak, S., Saengtabtim, K., Laosunthara, A., Yudha, A.K. and Tang, J., "Twitter data sentiment analysis of tourism in Thailand during the COVID-19 pandemic using machine learning", Heliyon, Vol. 8, No. 10, pp. e10894, 2022. [DOI:10.1016/j.heliyon.2022.e10894]
24. Miller, G. A., "WordNet: a lexical database for English", Communications of the ACM, Vol. 38, No. 11, pp. 39-41, 1995. [DOI:10.1145/219717.219748]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
