Signal and Data Processing

fa استفاده از رأی‌گیری بیشینه در شبکه‌های عصبی گراف برای تحلیل احساسات مبتنی بر جنبه Using Majority Voting in Graph Neural Networks for Aspect-Based Sentiment Analysis مقالات پردازش متن Paper كاربردي Applicable 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. Aspect-Based Sentiment Analysis (ABSA) is a detailed subdomain of sentiment analysis that focuses on detecting sentiments toward specific aspects of entities, such as product features or service attributes, rather than providing a general sentiment polarity. This granular understanding is essential in domains such as customer feedback evaluation, social media opinion mining, and intelligent recommendation systems. However, capturing the syntactic and semantic dependencies required for accurate ABSA remains a challenge for conventional models. In this study, we propose an ensemble-based approach utilizing Graph Convolutional Networks (GCNs), which are particularly effective in learning structural relationships from sentence-level dependency trees. Our methodology involves the integration of four advanced GCN-based models: DualGCN, RDGCN, SSEGCN, and R-GAT. Each model offers distinct strengths, ranging from dual-graph encoding and reinforcement-driven attention mechanisms to syntax-aware semantic enhancements. These models are trained individually and then aggregated through a majority voting mechanism to create a robust ensemble capable of improved sentiment prediction at the aspect level. The models were evaluated on benchmark datasets including SemEval-2014 (Rest14 and Laptops subsets) and Twitter, covering both formal and informal texts. Extensive preprocessing was conducted to standardize input formats and ensure fair comparison across models. Moreover, training was performed using both GLoVE and BERT embeddings, allowing the ensemble to benefit from a diverse range of semantic features. The proposed majority voting strategy aggregates the predictions of individual models and determines the final sentiment class based on the most frequent output. In case of a tie, the model with the highest validation accuracy takes precedence. This strategy effectively combines the complementary capabilities of multiple GCN variants, leading to improved performance and stability across diverse datasets. Experimental results show that the proposed ensemble method significantly outperforms both baseline models and recent state-of-the-art methods. On the Rest14 dataset, the ensemble achieved an accuracy of 88.47%, improving upon the best recent model (SAGCN + BERT) by +1.34%. On the Laptops dataset, it attained 85.44%, exceeding SAGCN’s 85.12% by +0.32%. Similarly, on the Twitter dataset, our model reached 82.12%, surpassing SAGCN’s 81.45% by +0.67%. Additionally, compared to individual baseline models, the proposed method improved accuracy by 2.15% and F1-score by 2.8% on Rest14, 9.2% and 11.74% on Laptops, and 7.8% and 8.7% on Twitter, respectively. These improvements highlight the robustness of the ensemble in handling varying linguistic structures and domains. We also explored alternative ensemble strategies including weighted voting, neural fusion, and combined embedding approaches, yet none outperformed the majority voting strategy in consistency or accuracy. This further reinforces the effectiveness and simplicity of our proposed method .In conclusion, this research introduces a novel and practical ensemble technique for ABSA using multiple GCN models and a majority voting strategy. The method achieves state-of-the-art accuracy across multiple benchmarks and demonstrates strong generalization, making it a valuable contribution to aspect-level sentiment analysis. Future work may extend this approach to multilingual and domain-specific contexts or integrate large pretrained language models such as RoBERTa or GPT to further enhance contextual understanding. پردازش زبان طبیعی, یادگیری عمیق, شبکه‌های عصبی گراف, تحلیل احساسات سطح جنبه, یادگیری جمعی. Natural Language Processing, Deep Learning, Graph Neural Networks, Aspect Level Sentiment Analysis, Ensemble Learning. 91 102 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2729-1&slc_lang=fa&sid=1 Ali Balouchi علی بلوچی a.balouchi@ilam.ac.ir 100319475328460013931 100319475328460013931 Yes M.Sc in Computer Engineering, Ilam University, Ilam, Iran کارشناس‌ارشد مهندسی کامپیوتر، دانشگاه ایلام، ایلام، ایران Mozafar Bagmohmmadi مظفر بگ محمدی mozafar@ilam.ac.ir 100319475328460013932 100319475328460013932 No Associate Professor of Faculty of Computer Engineering, Ilam University, Ilam, Iran دانشیار گروه مهندسی کامپیوتر، دانشگاه ایلام، ایلام، ایران Mojtaba Karmi مجتبی کرمی m.karami@ilam.ac.ir 100319475328460013933 100319475328460013933 No Assistant Professor of Faculty of Computer Engineering, Ilam University, Ilam, Iran استادیار گروه مهندسی کامپیوتر، دانشگاه ایلام، ایلام، ایران