رویکرد الگوریتم شبکه های عصبی در طبقه بندی تمایلات کاربران

رسانه های اجتماعی آنلاین به عنوان واسطه ای عمل می کند که در آن مردم نظرات و احساسات خود را به شکل پیام های متنی به اشتراک می گذارند؛ در حال رشد است. در پژوهش اول از روش تجزیه و تحلیل اجزای اصلی (PCA)، برای استخراج آن دسته از اجزای اصلی که به عنوان پیش بینی کننده بکار می روند، استفاده می شود و شبکه های عصبی انتشار به عقب، به عنوان طبقه بندی کننده مورد استفاده قرار گرفته اند. عملکرد PCA + BPN و BPN بدون PCA با استفاده از تجزیه و تحلیل خصوصیات عملیاتی گیرنده (ROC) مقایسه شده است. اعتبار طبقه بندی با استفاده از اعتبارسنجی متقابل 10 برابر تایید می شود. نتیجه نشان می دهد اثربخشی روش BPN به همراه PCA به عنوان یک روش کاهش ویژگی برای طبقه بندی احساسات متن، مورد استفاده می گیرد.در پژوهش سوم، روش های طبقه بندی احساس مبتنی بر شبکه عصبی (شبکه عصبی انتشار به عقب (BPN)، شبکه های عصبی احتمالاتی (PNN) و گروه همگن PNN (HEN)) را با استفاده از سطوح مختلف تک واحدی کلمه به عنوان ویژگی هایی برای طبقه بندی احساسات در سطح ویژگی مقایسه می کند. اعتبار این روشها با استفاده از مجموعه داده های مربوط به نقد محصول که از بخش انتقادات وب سایت آمازون جمع آوری شده اند، تایید می شود. تجزیه و تحلیل تجربی برای مقایسه نتایج روشهای مبتنی بر ANN با دو روش منحصر به فرد آماری انجام می شود. روش ها با استفاده از پنج معیار با کیفیت های مختلف مورد بررسی قرار می گیرند و نتایج نشان می دهند که گروه همگن روش شبکه عصبی، عملکرد بهتری را فراهم می کند. در میان این دو روش بکار رفته از شبکه های عصبی، شبکه های عصبی احتمالاتی (PNN ها) در طبقه بندی احساسات مربوط به نقد محصول، عملکرد بهتری دارند. ادغام روش های طبقه بندی احساس مبتنی بر شبکه های عصبی با تجزیه و تحلیل اجزای اصلی (PCA) به عنوان یک روش کاهش ویژگی، عملکرد برتری را نیز بر حسب زمان آموزش فراهم می آورد..

کلیدواژه ها:

تمایلات کاربران ، PCA ، ROC ، BPN ، شبکه های عصبی احتمالاتی