مجتبی کرمی

درک عواطف و احساسات در سطح جنبه، یک وظیفه کاربردی و مهم در حوزه پردازش زبان طبیعی است که دیدگاه های ظریفی را در داده‌های متنی آشکار می‌سازد. تجزیه و تحلیل احساسات در سطح جنبه در تشخیص احساسات بیان شده نسبت به یافتن ویژگی‌های مثبت و منفی موضوعات مورد بحث، اهمیت فراوانی دارد. این جزئیات نه تنها درک انسان از احساسات درون متنی را بهبود می بخشند، بلکه بینش‌های ارزشمندی را برای مشاغل، سیاست گذاران و محققان با هدف درک جامع دیدگاه‌های کاربران در رسانه‌های اجتماعی ارائه می‌دهند. در این پژوهش، به تحلیل احساسات سطح جنبه، با استفاده از شبکه‌های عصبی گراف پرداخته می‌شود. شبکه‌های عصبی گراف در ثبت روابط پیچیده درون داده‌ها نسبت به رویکرد‌های کلاسیک بهتر عمل کرده و در این حوزه برای تشخیص احساسات مرتبط با جنبه‌های خاص مناسب می‌باشند. روش پیشنهادی در این تحقیق، شامل استفاده از ترکیب نتایج چند مدل پیاده‌سازی شده با الگوریتم شبکه‌های عصبی گراف بر روی مجموعه داده‌های معیار برای تحلیل احساسات سطح جنبه است. مدل‌های پیاده‌سازی‌شده شامل DualGCN، RDGCN، SSEGCN و R-GAT هستند که هر کدام دیدگاه‌های متفاوتی را ارائه می‌دهند. این مدل‌ها با استفاده از رویکرد یادگیری جمعی که شامل استفاده از فرآیند رأی‌گیری اکثریت است ترکیب شده و پیشرفت‌های قابل‌توجهی را نسبت به مدل‌های فردی نشان می‌دهند. مجموعه داده انتخابی این پژوهش SemEval2014 (Rest14،Laptops) و Twitter است که در آن Rest14 شاهد افزایش %2.15 در معیار دقت و افزایش %2.8 در معیار امتیاز F1 است. مجموعه داده Laptops افزایش قابل توجه %9.2 در معیار دقت و افزایش %11.74 در معیار امتیاز F1 را نشان می دهد. و در نهایت، مجموعه داده Twitter افزایش %7.8 در معیار دقت و افزایش %8.7 در معیار امتیاز F1 را ثبت کرده است. این نتایج بر توانایی مدل پیشنهادی برای عملکرد بهتر از مدل‌های فردی تأکید می‌کند، و به عنوان یک رویکرد جدید و پیشگام در این حوزه ارائه شده است.