مروری بر مقالات در حوزه عقیده کاوی (نظر کاوی یا تحلیل احساسات)

مقاله اول: استفاده از روش مبتنی بر قانون برای ایجاد دادگان یادگیری ماشین

یکی از مهم‌ترین چالش‌های عقیده‌کاوی کمبود داده‌های برچسب‌خورده برای یادگیری ماشین است. ایجاد دادگان برای مطالعات مربوط به عقیده‌کاوی نیاز به صرف هزینه و زمان زیادی دارد، چرا که برای اطمینان از صحت برچسب‌ها هر داده توسط چند نفر برچسب‌گذاری می‌شود.

ادامه: PDF HTML

مقاله مرجع


مقاله دوم: فریم ورک تجزیه و تحلیل احساسات با استفاده از طبقه بندی ترکیبی

در چند سال اخیر، توییتر به یکی از میکروبلاگ های محبوب تبدیل شده است. میلیون ها نفر از کاربران افکار و نظرات خود را در مورد جنبه ها و حوادث مختلف در این میروبلاگ به اشتراک می گذارند. بنابراین، توییتر به عنوان یک منبع غنی از اطلاعات برای تصمیم گیری و تجزیه و تحلیل احساسات در نظر گرفته می شود.

ادامه: PDF HTML

مقاله مرجع


مقاله سوم: یادگیری دورنظارتی نگرش عبارات با استفاده از شبکه‌ی عصبی

بسیاری از روش‌های پردازش متن که مبتنی بر شبکه‌های عصبی هستند، از کیسه‌ی کلمات مطرح‌شده در [1] به عنوان نماینده‌ی کلمات استفاده می‌کنند. این کیسه‌ی کلمات یک بردار دودویی به طول کل تعداد کلمات ممکن در متن است. برای نمایش هر کلمه فقط یکی از آرایه‌های بردار یک خواهدبود و بقیه صفر هستند. در این نوع کیسه‌ی کلمات، نماینده‌ی هر کلمه برداری با طول بسیار زیاد است که فقط یکی از آرایه‌های آن حائز اهمیّت است. عیب اصلی آن عدم وجود رابطه بین کلمات مشابه با وجود طول زیاد بردار است. عملاً همه‌ی آرایه‌های بردار به جز یکی از آن‌ها بی‌خاصیّت می‌شود.

ادامه: PDF HTML

مقاله مرجع


مقاله چهارم: عقیده‌کاوی در توئیتر با شبکه‌ی عصبی عمیق

استخراج ویژگی‌های مناسب همواره یکی از چالش‌های یادگیری ماشین بوده‌است. بسیاری از تحقیقات سعی داشته‌اند تا با استخراج ویژگی‌های بهتر، باعث حصول نتایج بهتری شوند. در عقیده‌کاوی کلمات مهم‌ترین عناصر یادگیری هستند. در صورتی که بتوانیم ویژگی‌های نهفته در کلمات را بیابیم، کیفیت عقیده‌کاوی باید بهتر شود.

ادامه: PDF HTML

مقاله مرجع


مقاله پنجم: بکارگیری روشی ترکیبی برای عقیده‌کاوی در توئیتر

یکی از عوامل ضروری در پردازش زبان طبیعی و عقیده کاوی، بررسی ارتباط بین جملات و گفتارها می‌باشد. این ارتباطات می‌توانند از طریق افعال کمکی،‌ حروف ربط، شرطی و منفی در جملات ظاهر شوند. از آنجا که این ساختارهای زبانی باعث تغییر نگرش احساسی جملات می‌شوند، نقش مهمی را در عقیده کاوی ایفا می‌کنند.

ادامه: PDF HTML

مقاله مرجع


مقاله ششم: بکارگیری روابط معنایی متون برای عقیده‌کاوی در توئیتر

توئیتر با فراهم نمودن بستری برای بیان احساسات و عقاید در زمینه‌های مختلف، با استقبال عموم مردم روبرو شده و عقیده‌کاوی در این شبکه اجتماعی، به دلیل کاربردهای گسترده آن در دو حوزه علوم اجتماعی و تجارت اخیرا بسیار مورد توجه قرار گرفته است.

ادامه: PDF HTML

مقاله مرجع


مقاله هفتم: ترکیب طبقه بند قانون گرا با روش یادگیری با نظارت

یکی از مسائل چالش¬برانگیز در حوزه تجزیه و تحلیل احساسات توییتر، برچسب-گذاری توییت¬ها می¬باشد. روش پیشنهادی برای حل مشکل برچسب¬گذاری، از ترکیب طبقه¬بند قانون¬گرا و روش¬های یادگیری ماشین با نظارت استفاده می¬کند.

ادامه: PDF HTML

مقاله مرجع


مقاله نهم: بهبود روش های یادگیری بانظارت با استفاده از قواعد زبانی

یکی از مسائل چالش برانگیز در حوزه تجزیه و تحلیل احساسات توییتر، تعیین قطبیت توییت ها با استفاده از روش های یادگیری بانظارت می¬باشد. روش پیشنهادی، سیستمی را برای تجزیه و تحلیل احساسات توییتر ارائه می¬دهد که یک توییت بر اساس قطبیت کلی توییت به عنوان مثبت یا منفی طبقه بندی می¬کند.

ادامه: PDF HTML

مقاله مرجع


مقاله دهم: کلاسه‌بندی نظرات احساسی با استفاده از روش‌های یادگیری ماشین

احساسات اصولا به افکار،‌ عواطف و یا نگرش‌ها اشاره دارد. با گسترش روزافزون صفحات وب، انسان‌ها بیشتر از طریق شبکه‌های اجتماعی و میکروبلاگ‌ها به بیان نظرات و احساسات خود می‌پردازند. با افزایش تولید این حجم از داده‌های متنی،‌ تجزیه و تحلیل احساسات و عقیده کاوی که از برجسته‌ترین شاخه‌‌های پردازش زبان طبیعی می‌باشند، برای صاحبان کسب و کار به یک نیاز اساسی تبدیل شده است.

ادامه: PDF HTML

مقاله مرجع


مقاله یازدهم: هرس‌کردن کیسه‌ی کلمات با به‌کارگیری ارتباطات معنایی

یکی از ویژگی‌های رایج در الگوریتم‌های یادگیری ماشین مربوط به عقیده‌کاوی، کلمات (یا عبارات) هستند. به این ترتیب که هر کلمه مثل یک ویژگی به عنوان ورودی الگوریتم محسوب می‌شود. با استفاده از دادگان یادگیری می‌توان نگرش هر کلمه را به تنهایی مشخص کرد، ولی در این صورت از ارتباط بین کلمات چشم‌پوشی شده‌است.

ادامه: PDF HTML

مقاله مرجع


مقاله سیزدهم: روش ترکیبی مدل­های زبانی با شکلک­ها برای تجزیه و تحلیل احساسات

تاکنون روش­های زیادی برای تجزیه و تحلیل احساسات توسعه یافته است. این روش­ها را می­توان در دو دسته کلی 1) روش­های کاملا با نظارت و 2) روش­های بی نظارت تقسیم کرد. روش­های با نظارت، از داده­ها با برچسب دستی برای یادگیری مدل استفاده می­کنند. یکی از مشکلات این روش­ها، فرایند فشرده و وقت­گیر برچسب­گذاری دستی توییت­ها می­باشد. به همین دلیل مجموعه داده اموزشی برای بسیاری از این روش­ها محدود می­باشد.

ادامه: PDF HTML

مقاله مرجع


مقاله چهاردهم: عقیده‌کاوی مستقل از زبان در توئیتر

روزانه میلیون‌ها توئیت‌ حاوی احساسات و نگرش‌های مختلف توسط کاربران به زبان‌های مختلف در توئیتر تولید می‌شود. توئیتر یکی از بزرگترین میکروبلاگ‌ها در اینترنت بوده و عقیده‌کاوی روی آن به عنوان نمونه می‌تواند یک روش مفید برای تحلیل مشتریان و بازخورد نظرات آن‌ها نسبت به محصولات مربوط به شرکت های تجاری باشد.

ادامه: PDF HTML

مقاله مرجع


مقاله پانزدهم: استفاده از جریان توئیت‌ها برای بهبود عقیده‌کاوی

توئیت‌های کاربران در شبکه‌ی اجتماعی توئیتر به صورت جریانی از اطلاعات است. کاربران برای اطلاع از اخبار جدید می‌توانند هشتگ‌ها را جستجو کنند. جستجوی هر هشتگ منجر به بازیابی تعدادی توئیت خواهد شد. کاربران با مطالعه‌ی چندین توئیت در موضوع هشتگ از اخبار مربوطه مطلع می‌شوند.

ادامه: PDF HTML

مقاله مرجع


مقاله هفدهم: مقیاس‌پذیر کردن الگوریتم‌های یادگیری ماشین با استفاده از پیگ

بسیاری از الگوریتم‌های یادگیری ماشین به گونه‌ای طراحی شده‌اند که قابلیت مقیاس‌پذیری ندارند. افزودن قابلیت مقیاس‌پذیری به این الگوریتم‌ها بدون استفاده از چارچوب کاری دشوار است. اکوسیستم هدوپ به شکل توزیع‌شده طراحی شده‌است. هدف اصلی هدوپ موازی‌سازی برنامه‌ها و مقیاس‌پذیر کردن الگوریتم‌ها است. افزونه‌های زیادی برای هدوپ طراحی شده‌اند که هر کدام قابلیت‌های دیگری به آن اضافه می‌کنند. به عنوان مثال پیگ برای دسترسی آماری به داده‌ها در لایه‌ای بالاتر طراحی شده‌است. افزونه‌ی پیگ با به کارگیری زبان برنامه‌نویسی پیگ لاتین امکان کدنویسی در لایه‌ای بالای مپ‌ردیوس و HDFS را فراهم می‌کند. زبان پیگ لاتین شبیه به زبان‌های SQL است.

ادامه: PDF HTML

مقاله مرجع


مقاله هجدهم: عقیده کاوی با آموزش شبکه عصبی کانولوشن عمیق

در این مقاله یک سیستم یادگیری عمیق برای تجزیه و تحلیل احساسات ارائه شده است. سهم اصلی این مقاله، فرآیند مقداردهی اولیه به وزن‌های شبکه کانولوشن برای آموزش یک مدل دقیق بدون نیاز به افزودن ویژگی اضافه‌تر می‌باشد. به طور خلاصه در این مقاله در ابتدا از یک مدل زبانی عصبی بدون نظارت برای مقداردهی اولیه وزن‌ها استفاده شده و سپس با بکارگیری یک مدل یادگیری عمیق بر روی مجموعه داده با نظارت،‌ پارامترها تنظیم می‌شوند. در واقع در مرحله نهایی، پارامترهای از پیش آموزش دیده شده از شبکه برای مقداردهی اولیه مدل آموزشی، استفاده می‌شوند.

ادامه: PDF HTML

مقاله مرجع