کلاس بندی پیام های منتشر شده در شبکه های اجتماعی در بحران کرونا بر اساس قطبیت آن ها

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 65

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JME-21-74_006

تاریخ نمایه سازی: 23 آبان 1402

چکیده مقاله:

بحران کرونا مردم ایران را با طیف گسترده ای از افکار و احساسات مثبت و منفی روبرو کرد. مردم این احساسات را در شبکه های اجتماعی به اشتراک می گذاشتند. شبکه های اجتماعی در دوران کرونا نقش بسیار مهمی در انتشار اطلاعات و بازتاب احساسات مردم داشته اند. بررسی این داده های شبکه های اجتماعی برای دولت ها و سازمان های بهداشت در سراسر جهان حائز اهمیت است. به همین خاطر پژوهش های زیادی به بررسی این داده ها با رویکردهای مختلف در سراسر جهان پرداختند. در این مقاله نیز به تحلیل قطبیت و کلاس بندی پیام های منتشر شده در شبکه های اجتماعی در بحران کرونا پرداخته شد. برای این منظور پیام هایی که کاربران فارسی زبان در این شبکه ها به اشتراک گذاشتند، بررسی شدند. برای کلاس بندی داده های موجود از روش های پردازش زبان طبیعی و روش های یادگیری عمیق استفاده شد. برای کلاس بندی پیام ها با محتوای مثبت و منفی، روش های یادگیری عمیق مختلفی با معماری های متفاوت (شامل شبکه های کانولوشنی، شبکه های بازگشتی عمیق با حافظه و فازی-بازگشتی عمیق با حافظه) با توجه به داده های موجود اعمال شد تا بتوانیم به بهترین نتیجه ممکن دست یابیم. بهترین نتیجه با استفاده از شبکه های عمیق کانولوشنی سه لایه به دست آمد که صحت آن ۷۲.۲۹ بود. در نهایت، یک مقایسه کلی از جنبه های مختلف، روی شبکه های استفاده شده انجام شد.

نویسندگان

هانیه تندرست

گروه مهندسی پزشکی، دانشگاه صنعتی همدان، همدان، ایران.

سمیرا عباسی

گروه مهندسی پزشکی، دانشگاه صنعتی همدان، همدان، ایران.

فاطمه امیری

گروه مهندسی کامپیوتر، دانشگاه صنعتی همدان، همدان، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • L.-C. Chen, C.-M. Lee, and M.-Y. Chen, “Exploration of social ...
  • O. Ahlgren, "Research on sentiment analysis: the first decade." ۲۰۱۶ ...
  • D. Q. Nguyen, D. Q. Nguyen, T. Vu et al., ...
  • S. Shumaly, M. Yazdinejad, and Y. Guo, “Persian sentiment analysis ...
  • S. Wu, Y. Liu, J. Wang et al., “Sentiment analysis ...
  • D. Dangi, D. K. Dixit, and A. Bhagat, “Sentiment analysis ...
  • L. Nemes, and A. Kiss, “Social media sentiment analysis based ...
  • M. Arbane, R. Benlamri, Y. Brik et al., “Social media-based ...
  • D. Xie, L. Zhang, and L. Bai, “Deep learning in ...
  • L. Zhang, S. Wang, and B. Liu, “Deep learning for ...
  • J. P. R. Sharami, Sarabestani, P. A., & Mirroshandel, S. ...
  • تحلیل احساسات در شبکه های اجتماعی با پردازش زبان طبیعی و رویکرد یادگیری عمیق [مقاله کنفرانسی]
  • H. Liang, X. Sun, Y. Sun et al., “Text feature ...
  • D. W. Otter, J. R. Medina, and J. K. Kalita, ...
  • Y. Chen, “Convolutional neural network for sentence classification,” University of ...
  • W. K. Sari, D. P. Rini, and R. F. Malik, ...
  • R. Wang, Z. Li, J. Cao et al., "Convolutional recurrent ...
  • Z. Shaheen, G. Wohlgenannt, and E. Filtz, “Large scale legal ...
  • Z. Li, F. Liu, W. Yang et al., “A survey ...
  • P. Sharma, and A. Singh, "Era of deep neural networks: ...
  • J. Xu, D. Chen, X. Qiu et al., “Cached long ...
  • K. Uma, and K. Meenakshisundaram, “Optimization based fuzzy deep learning ...
  • B. Mohamed, H. Haytam, and F. Abdelhadi, "Applying Fuzzy Logic ...
  • E. Ferri, and G. Langholz, "Neuro-Fuzzy Approach to Natural Language ...
  • X. Yu, C. Zhong, D. Li et al., "Sentiment analysis ...
  • N. Chintalapudi, G. Battineni, and F. Amenta, “Sentimental analysis of ...
  • T. Wang, K. Lu, K. P. Chow et al., “COVID-۱۹ ...
  • F. Amiri, S. Abbasi, and M. Babaie Mohamadeh, “Clustering Methods ...
  • F. Kaveh-Yazdy, and S. Zarifzadeh, “Track Iran's national COVID-۱۹ response ...
  • P. Hosseini, P. Hosseini, and D. A. Broniatowski, “Content analysis ...
  • Z. B. Nezhad, and M. A. Deihimi, “Twitter sentiment analysis ...
  • D.-H. Lee, "Pseudo-label: The simple and efficient semi-supervised learning method ...
  • F. Rodríguez-Torres, J. F. Martínez-Trinidad, and J. A. Carrasco-Ochoa, “An ...
  • S. Jain, “Introduction to pseudo-labelling: A semi-supervised learning technique,” URL= ...
  • P. Cascante-Bonilla, F. Tan, Y. Qi et al., "Curriculum labeling: ...
  • R. Mohammed, J. Rawashdeh, and M. Abdullah, "Machine learning with ...
  • A. Moreo, A. Esuli, and F. Sebastiani, "Distributional random oversampling ...
  • J. Kacprzyk, "Lecture notes in networks and systems," Springer, ۲۰۱۹ ...
  • N. Ketkar, "Introduction to keras," Deep learning with Python, pp. ...
  • S.-H. Lee, K.-W. Huang, and C.-S. Yang, “TBAS: Token-based authorization ...
  • H. Zhou, "Research of Text Classification Based on TF-IDF and ...
  • Y. Luan, and S. Lin, "Research on text classification based ...
  • W. Yin, K. Kann, M. Yu et al., “Comparative study ...
  • K. Yoon, “Convolutional Neural Networks for Sentence Classification [OL],” arXiv ...
  • F. Ali, S. El-Sappagh, and D. Kwak, “Fuzzy ontology and ...
  • A. BERRAJAA, “Natural Language Processing for the Analysis Sentiment using ...
  • K. FUKUSHIMA, “Neocognitron: Deep convolutional neural network,” Cognitive science, Vol. ...
  • Y. Yu, X. Si, C. Hu et al., “A review ...
  • S. Sohangir, D. Wang, A. Pomeranets et al., “Big Data: ...
  • نمایش کامل مراجع