تحليل احساسات مبتني بر جنبه با استفاده از شبكه رمزگذار توجه

پردازش زبان طبيعي به طور قابل توجهي در حال رشد است و با ظهور وب جهاني و موتورهاي جستجو بسيار مورد توجه قرار گرفته است و محققين شاهد انفجاري در اطلاعات به زبان هاي مختلف شدند. تحليل احساسات يكي از فعال ترين زمينه هاي مطالعاتي در پردازش زبان طبيعي است كه بر طبقه بندي متن تمركز دارد و به منظور شناسايي، استخراج و تجزيه و تحليل اطلاعات ذهني از منابع متني استفاده مي شود. تحليل احساسات مبتني بر جنبه  يك تكنيك تحليل متن است كه نظرات را بر اساس جنبه طبقه بندي مي كند و احساسات مربوط به هر جنبه را مشخص مي كند. اين تحليل مي تواند براي تحليل اتوماتيك بازخورد نظرات مشتريان به بخشهاي مختلف كالا يا خدمات مورد استفاده قرار گيرد و به كارفرمايان براي تمركز بر نقاط نيازمند ارتقاي كيفيت كمك كند.  در اين مقاله به معرفي يك معماري جديد مبتني بر يادگيري عميق براي تحليل احساسات مبتني بر جنبه خواهيم پرداخت. اين معماري از يك مدل مبتني بر شبكه رمزگذار توجه با چندين توجه چند سر  و تبديل كانولوشن نقطه‌اي (كه يك جايگزين قابل موازي سازي و تعاملي  LSTM  است و براي محاسبه حالت هاي پنهان جاسازي هاي ورودي اعمال مي شود) استفاده خواهد كرد. آزمايش اين معماري روي سه ديتاست مختلف شامل رستوران ها و لپتاپ هاSemEval 2014 Task 4 و مجموعه داده توئيتر ACL 14 Twitter  است كه در هر سه مجموعه داده،  قطبيت احساسات مثبت، خنثي و منفي است، انجام گرديده است كه مقايسه آن با روشهاي مدرن تحليل احساس مبتني بر جنبه، دقت بالاي اين روش را نشان خواهد داد. بعنوان نمونه، تحليل احساس مبتني بر جنبه روي ديتاست رستوران ، 79/19 درصد دقت را نشان داده است كه نسبت به روشهاي مدرن 4/24% درصد دقت را بالا برده است.