ارائه­ دهنده:
عرفان بختیاری رمضانی

 استاد راهنما:
دکتر محمدرضا کنگاوری

هیات داوری: 
 دکتر مرتضی آنالویی
سرکار خانم دکتر ممتازی


زمان:
 ۱۴۰۱/۰۸/۲۵

ساعت ۰۸:۳۰
 

آقای عرفان بختیاری رمضانی دانشجوی کارشناسی ارشد آقای دکتر محمدرضا کنگاوری روز چهارشنبه ۲۵ آبانماه ساعت ۰۸:۳۰ از پروژه کارشناسی ارشد خود تحت عنوان "مدل جدید RNN-CNN برای تحلیل احساسات با استفاده از BiGRU-BiLSTM و مکانیسم توجه" دفاع خواهند نمود.

چکیده پایان نامه:
 تحلیل احساسات، زیر شاخه ای از پردازش زبان طبیعی است که میتوان از آن برای شناسایی و رده‌بندی متون بر اساس احساسات نویسنده متن، استفاده کرد. از این روی، تکنیک های  مختلفی برای تحلیل احساسات در متن برای تصمیم گیری در مورد اینکه، آیا نظرات کاربران یا توییت های متنی، مثبت هستند یا منفی، توسعه داده شده است. در میان معماری‌های عصبی عمیق مختلفی که برای تحلیل احساسات به کار برده میشود، ترکیب شبکه های عصبی بازگشتی، شبکه های عصبی کانولوشنی و مکانیزم توجه، توجه فزاینده‌ای را به خود جلب کرده‌است. این مدل‌ها قادر به پردازش متون با طول دلخواه و توجه به ویژگی های مهم هستند و شبکه های عصبی کانولوشنی باعث کاهش ابعاد ویژگی میشوند و  با استخراج ویژگی های محلی  میتوانند عملکرد مدل ها را بهبود بخشند. استفاده از شبکه های عصبی بازگشتی برای استخراج ویژگی در ابتدای مدل  نمیتواند ویژگی های محلی را به خوبی استخراج کند از این جهت عملکرد نهایی تضعیف میشود. برای رسیدگی به این مشکلات، یک مدل عمیق دوجهته LSTM-GRU مبتنی بر توجه و ماژول‌های اولیه موقتی کانولوشنی عمیق برای تحلیل احساسات (ABTICDM) پیشنهاد می گردد. با استفاده از دو لایه LSTM و GRU دو طرفه مستقل و شبکه های عصبی کانولوشنی استاندارد و موقتی، ABTICDM هر دو زمینه گذشته و آینده را با در نظر گرفتن جریان اطلاعات زمانی در هر دو جهت استخراج می کند. همچنین مکانیسم توجه بر روی خروجی لایه های دوطرفه و ماژول‌های اولیه موقتی کانولوشنی (TIC)، اعمال می شود تا ویژگی های با اهمیت مشخص شوند. برای استخراج بهتر ویژگی‌های محلی و کاهش ابعاد ویژگی‌ها،ABTICDM  از مکانیسم‌های کانولوشن موقتی و ترکیبی از ادغام های سراسری استفاده می‌کند. اثربخشی چارچوب جدید پیشنهادی ABTICDM جهت تشخیص قطبیت احساسات که رایج‌ترین وظیفه تحلیل احساسات است، ارزیابی می‌شود. آزمایش‌ها بر روی پنج مجموعه داده نظرات (Review) طولانی و سه مجموعه داده توییت های کوتاه انجام میشود. نتایج مقایسه ABTICDM  با هشت شبکه عصبی عمیق اخیر برای تجزیه و تحلیل احساسات نشان می دهد که ABTICDM علاوه بر بدست آوردن نتایج پیشرفته در نظرات طولانی، در طبقه بندی قطبیت توییت های کوتاه نیز به نتایج پیشرفته ای دست یافته است.

واژگان کلیدی: پردازش زبان طبیعی، یادگیری عمیق، تحلیل احساسات، Bi-LSTM، Bi-GRU