%0 Journal Article %A Sadr, Hossein %A Pedram, Mir mohsen %A Teshnehlab, Mohammad %T Efficient Method Based on Combination of Deep Learning Models for Sentiment Analysis of Text %J Signal and Data Processing %V 19 %N 1 %U http://jsdp.rcisp.ac.ir/article-1-1060-fa.html %R 10.52547/jsdp.19.1.19 %D 2022 %K Sentiment analysis, Deep Leaning, Convolutional neural network, Recursive neural network, Attention mechanism, %X یکی از مهم‌ترین داده‌های متنی موجود در سطح وب احساسات و دید‌گاه‌‌های افراد نسبت به یک موضوع یا مفهوم مشخص است. با این حال، یافتن و نظارت بر وبگاه‌های حاوی این احساسات و استخراج اطلاعات موردنیاز از آن‌ها به‌علت گسترش وبگاه‌های گوناگون کاری دشوار محسوب می‌شود. در این راستا، توسعه سامانه‌های تجزیه ‌و تحلیل خودکار احساسات که بتواند نظرات را استخراج کرده و روند فکری مرتبط با آن‌ها را بیان کند، در سال‌های اخیر توجه زیادی را به خود جلب کرده است و روش‌های بر پایه یادگیری ژرف، یکی از راه‌کارهایی هستند که توانسته‌ا‌ند به نتایج چشم‌گیری در کاربردهای مختلف پردازش زبان‌های طبیعی به‌خصوص تجزیه ‌و تحلیل احساسات دست یابند؛ اما این روش‌ها برخلاف عملکرد قابل‌توجه هنوز با چالش‌هایی مواجه هستند و نیاز به پیشرفت در این حوزه همچنان وجود دارد؛ ازاین‌رو، هدف این مقاله ترکیب مدل‌های یادگیری ژرف به‌منظور ارائه یک روش جدید برای تجزیه ‌و تحلیل احساسات متنی است که بتواند ضمن استفاده هم‌زمان از مزایای شبکه‌های عصبی ژرف بر مشکلات آن‌ها چیره شود. در این راستا، در این مقاله روشی بر پایه ترکیب شبکه عصبی پیچشی و شبکه عصبی هم‌گشتی معرفی‌ شده است که در آن به‌منظور حفظ وابستگی‌های بلندمدت در جملات و کاهش از‌دست‌رفتن داده‌های محلی که به‌عنوان چالش‌های شبکه عصبی پیچشی به شمار‌ می‌آیند، از لایه هم‌گشتی تعمیم‌یافته که در آن از یک ویژگی میانی حاصل از ترکیب گره‌های فرزندان استفاده می‌شود، به‌عنوان جایگزین لایه ادغام در شبکه عصبی پیچشی بر پایه ساز‌و‌کار توجه استفاده شده است. بر اساس نتایج آزمایش‌ها، روش پیشنهادی به‌ترتیب با دقت 92/53 و 89/92 درصد روی مجموعه‌داده‌های SST1 و SST2 و دارای دقت بالاتری نسبت به سایر روش‌های موجود است. %> http://jsdp.rcisp.ac.ir/article-1-1060-fa.pdf %P 19-38 %& 19 %! Efficient Method Based on Combination of Deep Learning Models %9 Research %L A-10-1916-1 %+ Department of Electrical and Computer Engineering Faculty of Engineering, Kharazmi University Tehran, Iran %G eng %@ 2538-4201 %[ 2022