تجزبه و تحلیل احساسات با استفاده از شبکه عمیق انوانکدر مبتنی بر دسته بند بهینه (AEC) و استک اتوانکدر (SAEP) برا ی کاهش ویژگی

تجزیه و تحلیل احساسات. یک روش پردازش زبان طبیعی است که برای تعیین مثبت. منفی و یا خنثی بودن داده ها استفادهمی شود. تجزیه و تحلیل احساسات اغلب بر روی داده های متنی انجام می شود تا به کسب و کارها کمک کند احساساتمشتریان را نسبت به برند بسنجند و نیازهای مشتری را درک کنند. اخیرا روش های یادگیری عمیق در بسیاری از زمینه هااز جمله تجزیه و تحلیل احساسات بسیار موفق عمل کرده است. با این حال. تحقیقات محدودی در زمینه کاهش ویژگی بهکمک روش های یادگیری عمیق برای افزایش دقت و سرعت در زمینه تجزیه و تحلیل احساسات انجام شده است. از آنجا کههدف این مقاله، بررسی تاثیر کاهش ویژگی در بهبود نتایج یادگیری عمیق است . در روش پیشنهادی از دو روش استخراجویژگی Count Vectorizer امن TF-IDF Vectorizer بر استخراج ویژگی با ابعاد بالا استفاده شده است. در این مقاله برای صرفهجویی در زمان آموزش و افزایش دقت الگوریتم های یادگیری عمیق یک استک اتوانکدر مبتنی بر درصد به نام ‎SAEPافزایش دقت روش های یادگیری عمیق در ابعاد بالاءه یک اتوانکدر برای کلاس بندی به نام AEC طراحی شده است و لایههای Dropout برای حل مشکل پیش پردازش به آن اضافه شده است. در نهایت، خروجی روش پیشنهادی برای کاهشویژگی SAEP با الگوریتم های دیگر بادگیری عمیق از جمله SAEP+CNN, SAEP+LSTM و SAEP+AEC ترکیب شدهاست. نتایج بر روی دو مجموعه داده تجزیه و تحلیل احساسات به نام SST-۲ و IDBM نشان می دهد که روش پیشنهادیSAEP تاثیر ۱ الی ۱۰ درصدی در دقت روش های یادگیری عمیق داشته است. علاوه بر این روش پیشنهادی AEC توانستهاست با دقت ‎۹۱ و ۸۷ به ترتیب در مجموعه داده SST-۲ و IDBM بهتر از سایر الگوریتم ها عمل کند.

کلیدواژه ها:

تجزیه و تحلیل احساسات ، انتخاب ویژگی ، یادگیری عمیق ، کاهش ویژگی