عنوان

تحلیل احساس شبکه‌ی اجتماعی توییتر با استفاده از تکنیک‌های یادگیری عمیق در داده‌های SemEval-2017 Task 4

Number

پ۲۴۳۹۰

.Language of Text, Soundtrack etc

per

Title Proper

تحلیل احساس شبکه‌ی اجتماعی توییتر با استفاده از تکنیک‌های یادگیری عمیق در داده‌های SemEval-2017 Task 4

First Statement of Responsibility

بهار سرسیفی

Name of Publisher, Distributor, etc.

مهندسی برق و کامپیوتر

Date of Publication, Distribution, etc.

۱۳۹۹

Specific Material Designation and Extent of Item

۶۰ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

برق کامپیوتر نرم افزار

Date of degree

۱۳۹۹/۱۱/۲۸

Text of Note

امروزه حجم وسیعی از اطلاعات موجود در اینترنت به گونه‌ای است که افراد به راحتی می‌توانند از افکار و عقاید سایرین مطلع شده و در تصمیم‌گیری‌های خود از آن‌ها استفاده نمایند. آگاهی یافتن از نظر و احساس افراد نسبت به یک شخص یا واقعه می‌تواند در تصمیم‌گیری‌های افراد و سازمان‌ها تاثیر بسزایی داشته باشد. با گسترش شبکه‌های اجتماعی و به دلیل محبوبیت بالای آن، بسیاری از افراد نظرات خود را در این شبکه‌ها به اشتراک می‌گذارند. تحلیل احساس کاربران این شبکه‌های اجتماعی که نمونه بسیار خوبی از جامعه است، می‌تواند در تصمیم گیری‌های سازمانی و پیش‌بینی وقایع مهم کمک کند. از این رو، پردازش حجم وسیع اطلاعات به عنوان یک چالش مطرح می‌شود که مورد توجه پژوهشگران بسیاری قرار گرفته‌است. در این پژوهش هدف ارائه رویکردی جدید برای تجزیه و تحلیل احساسات، و تشخیص قطبیت نظرات کاربران شبکه اجتماعی توییتر با استفاده از الگوریتم‌های یادگیری عمیق است. استفاده از شبکه‌های یادگیری عمیق روی داده‌های متنی نیاز به پیش‌پردازش و تبدیل متن به فضای برداری دارد، لذا داده‌های متنی با استفاده از ساختار تعبیه کلمه به فضای برداری تبدیل خواهند شد. در این مطالعه شبکه اجتماعی توییتر را به دلیل در دسترس بودن داده‌های آن و کاربرد بسیار آن در حوزه طبقه‌بندی عواطف، تحلیل کرده و از مجموعه‌داده SemEval-2017 Task 4 استفاده می‌کنیم. سپس مدلی ترکیبی از شبکه‌های LSTM ،CNN و GRU پیشنهاد می‌دهیم، که از CNN برای استخراج ویژگی متن و از شبکه‌های LSTM و GRU برای طبقه‌بندی احساسات استفاده می‌کنیم و در ادامه برای ارزیابی کارایی مدل پیشنهادی آن را توسط معیارهای مختلفی مورد بررسی قرار می‌دهیم. نتایج به‌دست آمده نشان می‌دهد که در روش پیشنهادی ما حدود ۸٪ نسبت به پژوهش‌های پیشین بهبود حاصل شده‌است

Text of Note

Today, the vast amount of information available on the Internet is such that people can easily be informed of others' thoughts and ideas and use them in their decisions. Knowing how people feel about a person or event can significantly impact individuals' and organizations' decisions. With the spread of social networks and their high popularity, most people share their opinions on these networks. Analyzing these social networks' feelings, which is a perfect example of society, can help make organizational decisions and forecast important events. Therefore, processing large volumes of information is a challenge that has been considered by many researchers. This study aims to present a new approach to the analysis of emotions and detect the polarity of the opinions of Twitter social network users using deep learning algorithms. The use of deep learning networks on textual data requires pre-processing and text conversion into vector space, so textual data will be transformed into vector space using the word embedding structure. In this study, we analyze the Twitter social network due to its data availability and its great application in emotion classification and use the SemEval-2017 Task 4 data set. We then propose a hybrid model of the LSTM, CNN, and GRU networks, using CNN to extract the text attribute and the LSTM and GRU networks to classify emotions. Then we evaluate the performance of the proposed model using multiple metrics. The results show that our proposed method is about 8% better than previous related works.

Variant Title

Twitter Sentiment Analysis Using Deep Learning Techniques In SemEval-2017 Task 4 Dataset

Entry Element

‏سرسیفی،

Part of Name Other than Entry Element

‏‏ بهار

Relator Code

تهيه کننده

Entry Element

‏پاشازاده ،

Entry Element

‏تنها،

Part of Name Other than Entry Element

‏‏ سعید

Part of Name Other than Entry Element

جعفر

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز