کاربرد شبکه های عصبی:
شبکه عصبی امروزه کاربردهای بسیار در انواع علوم دارد. رسانه های اجتماعی آنلاین به عنوان واسطه ای عمل می کند که در آن مردم نظرات و احساسات خود را به شکل پیام های متنی به اشتراک می گذارند؛ در حال رشد است. پیام ها شامل نقد و بررسی و نظرات مردم در مورد موضوعات خاصی مانند فیلم، کتاب، محصول، سیاست و غیره می باشد. استخراج عقیده بمنظور شناسایی و یا طبقه بندی اینکه آیا نظر بیان شده در متن پیام، مثبت یا منفی است، به کاربرد پردازش زبان طبیعی، زبان شناسی محاسباتی، و متن کاوی رجوع می کند. شبکه های عصبی انتشار به عقب، روش هایی تحت نظارت برای یادگیری ماشین هستند که داده ها را تجزیه و تحلیل نموده و الگو هایی را که برای طبقه بندی استفاده می شوند، شناسایی می نماید.
این پژوهش، بمنظور طبقه بندی احساسات نهفته در متن به انتقادات مثبت و منفی، بر روی طبقه بندی باینری تمرکز می کند. در پژوهش اول از روش تجزیه و تحلیل اجزای اصلی (PCA)، برای استخراج آن دسته از اجزای اصلی که به عنوان پیش بینی کننده بکار می روند، استفاده می شود و شبکه های عصبی انتشار به عقب، به عنوان طبقه بندی کننده مورد استفاده قرار گرفته اند. عملکرد PCA + BPN و BPN بدون PCA با استفاده از تجزیه و تحلیل خصوصیات عملیاتی گیرنده (ROC) مقایسه شده است. اعتبار طبقه بندی با استفاده از اعتبارسنجی متقابل 10 برابر تایید می شود. نتیجه نشان می دهد اثربخشی روش BPN به همراه PCA به عنوان یک روش کاهش ویژگی برای طبقه بندی احساسات متن، مورد استفاده می گیرد.
توضیح مساله:
شاخص های تعیین گرایش معنایی، عملکرد خوبی ندارند، اما نتایج را به سرعت تحویل می دهند. تکنیک های یادگیری ماشین دقت بهتری را از طبقه بندی ارائه می دهند، اما به زمان آموزشی زیادی نیاز دارند. پژوهش دوم بمنظور ترکیب کردن مزایای این دو روش، رویکردی را مبتنی بر شبکه عصبی ارائه داد. این رویکرد، شاخص های تعیین گرایش معنایی را به عنوان ورودی برای شبکه های عصبی بکار می برد تا بتوان به سرعت و به طور موثر در مورد احساسات وبلاگ نویسان تصمیمی گرفت. برای ارزیابی اثربخشی رویکرد مان، از چند وبلاگ واقعی استفاده می کنیم. نتایج تجربی نشان می دهند که رویکرد پیشنهادی ما نسبت به روش های سنتی از جمله سایر شبکه های عصبی و چندین شاخص تعیین گرایش معنایی، عملکرد بهتری دارد.
عملکرد مقاله در خصوص کاربرد شبکه عصبی:
در پژوهش سوم، روش های طبقه بندی احساس مبتنی بر شبکه عصبی (شبکه عصبی انتشار به عقب (BPN)، شبکه های عصبی احتمالاتی (PNN) و گروه همگن PNN (HEN)) را با استفاده از سطوح مختلف تک واحدی کلمه به عنوان ویژگی هایی برای طبقه بندی احساسات در سطح ویژگی مقایسه می کند. اعتبار این روشها با استفاده از مجموعه داده های مربوط به نقد محصول که از بخش انتقادات وب سایت آمازون جمع آوری شده اند، تایید می شود. تجزیه و تحلیل تجربی برای مقایسه نتایج روشهای مبتنی بر ANN با دو روش منحصر به فرد آماری انجام می شود. روش ها با استفاده از پنج معیار با کیفیت های مختلف مورد بررسی قرار می گیرند و نتایج نشان می دهند که گروه همگن روش شبکه عصبی، عملکرد بهتری را فراهم می کند.
در میان این دو روش بکار رفته از شبکه های عصبی، شبکه های عصبی احتمالاتی (PNN ها) در طبقه بندی احساسات مربوط به نقد محصول، عملکرد بهتری دارند. ادغام روش های طبقه بندی احساس مبتنی بر شبکه های عصبی با تجزیه و تحلیل اجزای اصلی (PCA) به عنوان یک روش کاهش ویژگی، عملکرد برتری را نیز بر حسب زمان آموزش فراهم می آورد.
پی سی اسکریپت تلاش نموده است مقاله ای جامع در خصوص کاربرد شبکه عصبی برای طبقه بندی تمایلات کاربران ارائه نماید.
