دانلود پایان نامه تحلیل احساسات بر اساس یادگیری عمیق

1. مقدمه 2. پیشینه تحقیق 3. کارهای مرتبط 4. روش 5. نتایج و آنالیز 6. بحث و بررسی 7. نتیجه گیری و کارهای آتی

چکیده – مقدمه: داده های متنی شامل مواردی مانند نظرات و شکایات مشتری، توئیت هایی از پلتفرم های رسانه های اجتماعی می باشند. هنگام تحلیل داده های متنی، از مدل احساسات استفاده می شود. درک سرخط خبرها، وبلاگ ها، بازار سهام، بحث های سیاسی و مرور فیلم ها، تعدادی از زمینه ها هستند که در آن تحلیل احساسات استفاده می شود. نتایج یک تحلیل احساسات را می توان برای کمک به ارزیابی این موضوع استفاده کرد که آیا یک نظر و دیدگاه، مثبت، منفی یا بی طرف است. در این پایان نامه، عملکرد تعدادی از الگوریتم ها را مورد بررسی قرار می دهیم. اهداف: مسائل مربوط به پردازش زبان طبیعی، از سوی دیگر، باعث می شوند که کیفیت عملکرد و دقت تحلیل نظرات را دشوارتر سازند (NLP). در چند سال گذشته، نشان داده شده که مدل های یادگیری عمیق، روشی نویدبخش برای حل تعدادی از مسائل NLP می باشد. این مقاله به بررسی جدیدترین مطالعاتی می پردازد که از یادگیری عمیق برای حل مسائل مربوط به تحلیل احساسات و معیارهای عملکردی آنها استفاده کرده اند. روش تحقیق: برای مشخص سازی اینکه کدام الگوریتم ها برای رسیدن به اهداف گفته شده در بالا بهترین عملکرد را دارند، یک مرور مقالات انجام شد. یک آزمایش تجربی انجام شد تا مشخص شود که یادگیری عمیق چگونه کار می کند و چه معیارهایی برای مشخص سازی این استفاده می شود که کدام مدل برای تحلیل احساسات، بهترین است. چندین مجموعه داده برای تست مدل هایی استفاده شده است که از اصطلاح فراوانی سند فراوانی معکوس و تعبیه سازی کلمه بهره گرفته اند. نتایج: نتایج تجربی نشان می دهند که مدل CNN بهترین تعادل بین سرعت کار و کیفیت کار را برقرار می کند. مدل RNN هنگام استفاده با تعبیه کلمات، دقیق ترین مدل بود اما برای پردازش زمان بیشتری می گیرد و عملکرد خوبی با TF-IDF نداشت. زمان پردازش و نتایج DNN تقریباً متعادل بودند. نتیجه گیری: هدف اصلی این پژوهش، یادگیری بیشتر در مورد اصول بنیادی مدل های یادگیری عمیق و رویکردهای مرتبط است که برای تحلیل احساسات در داده های شبکه های اجتماعی مورد استفاده قرار گرفته اند. قبل از دخیل کردن آن در مدل های یادگیری عمیق، داده ها را با استفاده از TF-IDF و تعبیه سازی کلمات تغییر دادیم. معماری های مربوط به DNN، CNN و RNN پس از انجام مرور مقالات تقویت شدند. تفاوت زمانی پردازش تثبیت شد و بهترین ترکیب بدست آمد.

Background: Text data includes things like customer reviews and complaints, tweets from social media platforms. When analyzing text-based data, the Sentiment Model is used. Understanding news headlines, blogs, the stock market, political debates, and film reviews some of the areas where sentiment analysis is used. The results of a sentiment analysis may be used to aid in evaluating whether a review is favorable, negative, or neutral. In this thesis we explore the performance of some algorithms. Objectives: The problems with natural language processing, on the other hand, make it harder for sentiment analysis to work well and be accurate (NLP). In the past few years, it has been shown that deep learning models are a promising way to solve some of NLP’s problems. This paper looks at the most recent studies that used deep learning to solve problems with sentiment analysis and their performance metrics Methods: The literature review is done to figure out which algorithms are best for achieving the above goals. An experiment is done to understand how deep learning works and what metrics are used to figure out which model is the best for sentiment analysis. Several datasets have been used to test models that use the term frequencyinverse document frequency and word embedding. Results: The experiment indicated that the CNN model strikes the best balance between how fast it works and how well it works. When used with word embedding, the RNN model was the most accurate, but it took a long time to process and didn’t work well with TF-IDF. The processing times and results of DNN are about average. Conclusions: The primary objective of this research is to learn more about the fundamentals of deep learning models and related approaches that have been used for sentiment analysis of social network data. Before feeding it to deep learning models, we changed the data using TF-IDF and word embedding. Architectures for DNN, CNN, and RNN were looked into after performing the literature review. The processing time gap was fixed, and the best combination was found.