شمیم فردحبیبی - دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
سینا دامی - استادیار گروه کامپیوتر، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

احساسات همواره از دیرباز جنبه مرموز و ناشناخته انسانها بوده و جایگاه مهمی در زندگی اجتماعی افراد و به خصوص در رسانه های اجتماعی دارا میباشد. تحلیل احساسات، به معنی کشف و شناخت احساسات مثبت و یا منفی مردم راجع به یک مساله یا محصول در متون است. افرایش اهمیت تحلیل احساسات با رشد رسانه های اجتماعی مانند نظرسنجی ها، وبلاگها، توئیتر و سایر شبکه های اجتماعی همزمان شده است . تحلیل احساسات، فرآیندی است که عقاید، احساسات، عواطف، کنایه ها، رفتارها و گرایش های نوشته شده با یک زبان نوشتاری را با تکنیکهای پردازش زبان طبیعی (NLP) تجزیه و تحلیل میکند. هدف NLP، پردازش متن با کامپیوترها به منظور تجزیه و تحلیل آن، استخراج اطلاعات و درنهایت بازنمایی اطلاعات مشابه به صورتهای متفاوت میباشداخیرا0،. استفاده از یادگیری عمیق برای تحلیل احساسات به یکی از زمینه های تحقیقاتی مطرح مبدل گشته است.تا کنون، پژوهش های مختلفی در رابطه با رشد موفق برنامه های کاربردی یادگیری عمیق در زمینه NLP برای تحلیل احساسات صورت گرفته است. در حال حاضر، رهیافت اصلی درنظر گرفتن یک جمله به صورت توالی از توکنها (کاراکترها یا کلمات ) و پردازش آنها با یک شبکه عصبی بازگشتی (RNN) میباشد. رایجترین و موفق ترین انواع RNN، LSTMها هستند. پژوهشهای بسیاری وجود دارند که توانایی LSTMها را برای مدل سازی وابستگی های طیف وسیعی از کاربردهای NLP نشان میدهند. رویکردهای نوین، ترکیب LSTMها با سایر شبکه های عمیق را در یک معماری با هدف دستیابی به بهترینهای هردو روش مورد بررسی قرار دادند. مدلهای ترکیبی عمیق که چند شبکه عصبی را به هم مرتبط می سازند ابزاری قویتر برای مدلسازی ویژگیهای چندبخشی متون در تحلیل احساسات ایجاد میکنند. در این پژوهش، از رویکرد ترکیبی شبکه باور عمیق (DBN) برای استخراج ویژگی های سطح بالا با LSTM جهت طبقه بندی احساسات بهره گرفته شد. نتایج تجربی حاکی از امیدبخش بودن روش پیشنهادی و عمکرد بهتر آن در مقایسه با روشهای پایه است.

تحلیل شبکه های اجتماعی، تحلیل احساسات، طبقه بندی احساسات، پردازش زبان طبیعی، یادگیری عمیق، .LSTM