تحلیل احساسات مبتنی بر جنبه با استفاده از شبکه رمزگذار توجه

پردازش زبان طبیعی به طور قابل توجهی در حال رشد است و با ظهور وب جهانی و موتورهای جستجو بسیار مورد توجه قرار گرفته است و محققین شاهد انفجاری در اطلاعات به زبان های مختلف شدند. تحلیل احساسات یکی از فعال ترین زمینه های مطالعاتی در پردازش زبان طبیعی است که بر طبقه بندی متن تمرکز دارد و به منظور شناسایی، استخراج و تجزیه و تحلیل اطلاعات ذهنی از منابع متنی استفاده می شود. تحلیل احساسات مبتنی بر جنبه  یک تکنیک تحلیل متن است که نظرات را بر اساس جنبه طبقه بندی می کند و احساسات مربوط به هر جنبه را مشخص می کند. این تحلیل می تواند برای تحلیل اتوماتیک بازخورد نظرات مشتریان به بخشهای مختلف کالا یا خدمات مورد استفاده قرار گیرد و به کارفرمایان برای تمرکز بر نقاط نیازمند ارتقای کیفیت کمک کند.  در این مقاله به معرفی یک معماری جدید مبتنی بر یادگیری عمیق برای تحلیل احساسات مبتنی بر جنبه خواهیم پرداخت. این معماری از یک مدل مبتنی بر شبکه رمزگذار توجه با چندین توجه چند سر  و تبدیل کانولوشن نقطه ای (که یک جایگزین قابل موازی سازی و تعاملی  LSTM  است و برای محاسبه حالت های پنهان جاسازی های ورودی اعمال می شود) استفاده خواهد کرد. آزمایش این معماری روی سه دیتاست مختلف شامل رستوران ها و لپتاپ هاSemEval 2014 Task 4 و مجموعه داده توئیتر ACL 14 Twitter  است که در هر سه مجموعه داده،  قطبیت احساسات مثبت، خنثی و منفی است، انجام گردیده است که مقایسه آن با روش های مدرن تحلیل احساس مبتنی بر جنبه، دقت بالای این روش را نشان خواهد داد. بعنوان نمونه، تحلیل احساس مبتنی بر جنبه روی دیتاست رستوران ، 0.8187 درصد دقت را نشان داده است که نسبت به روش های مدرن 1.97% درصد دقت را بالا برده است.