عنوان

رایانش احساسی مبتنی‌بر تشخیص عاطفه در متون با استفاده از روش‌های یادگیری عمیق

پ۲۵۳۷۱

per

رایانش احساسی مبتنی‌بر تشخیص عاطفه در متون با استفاده از روش‌های یادگیری عمیق

سپیده سعیدی‌مجد

ریاضی

۱۴۰۰

۸۰ص

سی دی

کارشناسی ارشد

علوم کامپیوتر گرایش محاسبات نرم و هوش مصنوعی

۱۴۰۰/۰۶/۲۷

ساخت ماشین‌هایی با توانایی استدلال، یادگیری و تصمیم‌گیری همانند یک انسان، دهه‌ها است که مورد توجه محققان هوش مصنوعی بوده است. رایانش احساسی، حوزه مطالعاتی است که بر طراحی و توسعه ماشین‌های هوشمند متمرکز است که می‌توانند عواطف و احساسات انسانی را درک و پردازش کنند. هر چند متدوال‌ترین روش آشکار کردن عواطف توسط انسان‌ها گفتار و حالت‌های چهره است؛ با این حال، با ظهور رسانه‌های اجتماعی در عصر حاضر زبان ارتباطی مردم تفاوت کرده است. امروزه مردم از طریق ارسال پست‌ها در شبکه‌های اجتماعی این عواطف را نشان می‌دهند. تشخیص عواطف از متن تقریبا در همه جنبه‌های زندگی روزمره ما کاربرد دارد، مانند بهبود تعاملات رایانه‌-انسان، نظارت برسلامت روان مردم، اصلاح یا بهبود استراتژی‌های تجاری با توجه به احساسات مشتریان، تشخیص احساسات عمومی در مورد هر رویداد ملی، بین المللی یا سیاسی، شناسایی مجرمان یا تروریست‌های احتمالی با تجزیه و تحلیل عواطف افراد پس از حمله تروریستی یا جنایات را می‌توان به‌عنوان مثال بیان کرد. با توجه به اهمیت تحلیل عواطف به‌خصوص طبقه‌بندی عواطف چندبرچسبی، هدف این پایان‌نامه توسعه یک سیستم مبتنی‌بر یادگیری عمیق است که به مسئله طبقه‌بندی عواطف چندبرچسبی در متون می‌پردازد. در جهت انجام این کار ابتدا مجموعه داده‌ای با تمام نمونه‌های چندبرچسبی از ترکیب مجموعه‌ داده‌های دیگر ایجاد و سپس، از شبکه‌های مختلف یادگیری عمیق همانند، شبکه‌های عصبی حافظه طولانی کوتاه‌مدت، شبکه‌های عصبی حافظه طولانی کوتاه‌مدت دوطرفه و شبکه‌های کانولوشنی در حل این مساله بر روی دو مجموعه داده با کلاس‌های مختلف (9 و 6 کلاسه) استفاده گردید. در پایان، پس‌از بررسی و مقایسه نتایج عملی، این نتیجه حاصل گردید که در مجموعه داده با 9 کلاس بهترین عملکرد مدل مربوط به LSTM+fasttext با نمره‌ی f1 میکرو 0/74998 و در مجموعه داده با 6 کلاس، LSTM+glove با نمره‌ی f1 میکرو 0/77044 بهترین کارآیی را دارند

Building machines with the ability to reason, learn, and make decisions like a human hasbeen the focus of artificial intelligence researchers for decades. Affective computing is a field of studythat focuses on the design and development of intelligent machines that can understand and processhuman emotions. The most common way humans express emotions is through speech and facialexpressions. However, with the advent of social media in the present age, the language of communication has changed. Today, people show these emotions by posting on social media. Emotionalrecognition is used in almost every aspect of our daily lives, such as improving computer-humaninteractions, monitoring people’s mental health, refining or improving business strategies based oncustomer sentiment, and recognizing public sentiment about any national, international, or politicalevent. Identifing potential criminals or terrorists by analyzing people’s emotions afer a terrorist attack or crime can be used as an example. Given the importance of emotion analysis, especially theclassification of multi-label emotions, this thesis is the development of a deep learning-based systemthat addresses the issue of classifing multi-label emotions in texts. In order to do this, we first createa data set with all multi-label examples of combinations of other data sets and then, using various deeplearning networks such as long short-term memory neural networks, bidirectional long short-termmemory neural networks and convolutional neural network to solve this problem on two data setswith different classes (9 and 6 classes). Finally, afer reviewing and comparing the practical results,it was concluded that in the data set with 9 classes, the best performance of the model is related toLSTM + fasttext with a score of 0.74998 for micro f1 and in the data set with 6 classes, LSTM +glove with a score of 0.77044 for micro f1 provides the best performance

Emotion-Detection-Based Affective Computing In Texts Using Deep Learning Methods

سعیدی‌مجد

‏ سپیده

تهيه کننده

ایزدخواه

لطفی

‏ حبیب

‏ شهریار

استاد راهنما

استاد مشاور

‏ تبریز