تجزیه و تحلیل احساسات از طریق انواع بازگشتی اخیر در شبکه عصبی پیچشی توییتر
ترجمه نشده

تجزیه و تحلیل احساسات از طریق انواع بازگشتی اخیر در شبکه عصبی پیچشی توییتر

عنوان فارسی مقاله: تجزیه و تحلیل احساسات از طریق انواع بازگشتی اخیر در شبکه عصبی پیچشی توییتر
عنوان انگلیسی مقاله: Sentiment analysis through recurrent variants latterly on convolutional neural network of Twitter
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی
کلمات کلیدی فارسی: تجزیه و تحلیل احساسات، پردازش زبان طبیعی، شبکه عصبی متناوب (RNNs)، شبکه عصبی پیچشی (CNNs)
کلمات کلیدی انگلیسی: (Sentiment Analysis, Word Embeddings, Recurrent Neural Network (RNNs), Convolutional Neural Network (CNNs
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.future.2018.12.018
دانشگاه: School of Information Science and Technology, Northwest University, Xian, China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شناسه ISSN: 0167-739X
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 55
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E11988
فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Related work


3. The architecture of neural network for the sentiment classification


4. Twitter data set description


5. Experimentation


6. Discussion


7. Conclusion


References

نمونه متن انگلیسی مقاله

Abstract


Sentiment analysis has been a hot area in the exploration field of language understanding, however, neural networks used in it are even lacking. Presently, the greater part of the work is proceeding on recognizing sentiments by concentrating on syntax and vocabulary. In addition, the task identified with natural language processing and for computing the exceptional and remarkable outcomes Recurrent neural networks (RNNs) and Convolutional neural networks (CNNs) have been utilized. Keeping in mind the end goal to capture the long-term dependencies CNNs, need to rely on assembling multiple layers. In this Paper for the improvement in understanding the sentiments, we constructed a joint architecture which places of RNN at first for capturing long-term dependencies with CNNs using global average pooling layer while on top a word embedding method using GloVe procured by unsupervised learning in the light of substantial twitter corpora to deal with this problem. Experimentations exhibit better execution when it is compared with the baseline model on the twitter’s corpora which tends to perform dependable results for the analysis of sentiment benchmarks by achieving 90.59% on Stanford Twitter Sentiment Corpus, 89.46% on Sentiment Strength Twitter Data and 88.72% on Health Care Reform Dataset respectively. Empirically, our work turned to be an efficient architecture with slight hyperparameter tuning which capable us to reduce the number of parameters with higher performance and not merely relying on convolutional multiple layers by constructing the RNN layer followed by convolutional layer to seizure long-term dependencies.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

تجزیه و تحلیل احساسات از طریق انواع بازگشتی اخیر در شبکه عصبی پیچشی توییتر
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها