مجتبی کرمی

این مقاله به مسئله تحلیل احساسات مبتنی بر جنبه در حوزه پردازش زبان طبیعی می‌پردازد؛ مسئله‌ای که هدف آن تشخیص قطبیت احساس نسبت به جنبه‌های خاص یک موجودیت، محصول، خدمت یا موضوع است. در پژوهش حاضر، برای بهبود دقت و پایداری طبقه‌بندی احساسات، از ترکیب چند مدل مبتنی بر شبکه‌های عصبی گراف استفاده شده است. مدل‌های DualGCN، RDGCN، SSEGCN و R-GAT به‌صورت جداگانه آموزش داده شده و سپس خروجی آن‌ها با راهبرد رأی‌گیری بیشینه ترکیب می‌شود. در صورت تساوی آرا، مدلی که بهترین دقت اعتبارسنجی را دارد ملاک تصمیم نهایی قرار می‌گیرد. ارزیابی روش پیشنهادی بر روی مجموعه‌داده‌های معیار SemEval-2014 شامل Rest14 و Laptops و همچنین مجموعه‌داده Twitter انجام شده است. نتایج نشان می‌دهد که روش رأی‌گیری بیشینه توانسته است نسبت به مدل‌های منفرد و برخی روش‌های جدید، دقت و امتیاز F1 را بهبود دهد و در مجموعه‌داده‌های مختلف عملکردی پایدارتر و قابل تعمیم‌تر ارائه کند. بنابراین، روش پیشنهادی یک چارچوب ساده، مؤثر و کاربردی برای تحلیل احساسات سطح جنبه با استفاده از یادگیری جمعی و شبکه‌های عصبی گراف فراهم می‌کند.