ارائه یک روش جدید تحلیل احساسات مبتنی بر الگوریتم بهینه‌سازی ارشمیدس چندهدفه و یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 پژوهشگر،گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد قم، قم، ایران.

2 استادیار، گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران.

3 استادیار، گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد قم، قم، ایران.

چکیده

گسترش و محبوبیت شبکه‌های اجتماعی در بین افراد، توجه متخصصان بیش‌ازپیش به فعالیت‌ها، واکنش‌ها و احساسات افراد در این شبکه‌ها نسبت به سایر محافل معطوف گشته است. تحلیل این حجم از اطلاعات متنی غیرساخت‌یافته کاربران نیازمند روش‌های نوین و بهینه متن‌کاوی و پردازش زبان طبیعی است. هدف تحلیل احساسات این است که حجم انبوهی از نظرات پیرامون یک موجودیت توسط ماشین مورد بررسی قرار گیرد و گزارش خلاصه شده‌ای از احساس بیان شده در آن به کاربر ارائه گردد. برای دستیابی به این هدف تکنیک‌های آماری، داده‌کاوی و پردازش زبان طبیعی مورداستفاده قرار می‌گیرند. در این مقاله روش جدیدی مبتنی بر الگوریتم بهینه‌سازی ارشمیدس ارائه شده است تا بتوان در زمان کمتر و دقتی بالاتر نظرات کاربران را دررابطه‌با موضوع موردنظر به دست آورد. همچنین جهت ازبین‌بردن یکی از چالش‌های اصلی در تحلیل احساسات در مرحله استخراج ویژگی تمام جملات کنایه‌آمیز جمع شده و به‌عنوان جملات باکلاس مشخص وارد مجموعه‌داده می‌شود تا این چالش بزرگ را از بین ببرند. این روش قابلیت اعمال بر روی زبان‌های گوناگون را داشته و سعی بر بالابردن دقت و سرعت الگوریتم‌های پیشین دارد. نتایج ارزیابی از مجموعة داده‌ها نشان می‌دهد که روش پیشنهادی دارای دقت 0.967 می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Presenting a New Sentiment Analysis Method Based on Multi-objective Archimedes Optimization Algorithm and Machine Learning

نویسندگان [English]

  • Elham Kazemi 1
  • Mehdi Sadeghzadeh 2
  • Ali Taei zadeh 3
1 Researcher, Computer Department, Islamic Azad University, Qom, Iran.
2 Assistant Professor, Computer Department, Islamic Azad University, Science and Research Unit, Tehran, Iran.
3 Assistant Professor, Computer Department, Islamic Azad University, , Qom, Iran.
چکیده [English]

With the expansion and popularity of social networks among people, special attention has been focused on the activities, reactions, and feelings of people in these networks compared to other circles. Analyzing this volume of unstructured textual information of users requires new and optimal methods of text mining and natural language processing. The purpose of sentiment analysis is to examine a large volume of opinions about an entity by the machine and provide a summarized report of the sentiment expressed in it to the user. To achieve this goal, statistical techniques, data mining, and natural language processing are used. In this article, a new method based on Archimedes' optimization algorithm is presented so that users' opinions can be obtained in less time and with higher accuracy. Also, in order to eliminate one of the main challenges in sentiment analysis, in the feature extraction phase, all ironic sentences are collected and entered into the collection as sentences with a specific class, in order to eliminate this big challenge. This method can be applied to different languages and tries to increase the accuracy and speed of
previous algorithms. The evaluation results of the data set show that the proposed method has an accuracy of 0.967.
 

کلیدواژه‌ها [English]

  • Text Mining
  • Sentiment Analysis
  • Archimedes Optimization Algorithm

Smiley face

https://creativecommons.org/licenses/by/4.0/

مراجع

  1. Hosseinalipour, A., et al., A novel binary farmland fertility algorithm for feature selection in analysis of the text psychology. Applied Intelligence, 2021: p. 1-36.

    1. Vazan, M. and J. Razmara, Jointly Modeling Aspect and Polarity for Aspect-based Sentiment Analysis in Persian Reviews. arXiv preprint arXiv:2109.07680, 2021.
    2. Hosseinalipour, A., et al., Toward text psychology analysis using social spider optimization algorithm. Concurrency and Computation: Practice and Experience, 2021. n/a(n/a): p. e6325.
    3. Hosseinalipour, A. and R. Ghanbarzadeh, A novel approach for spam detection using horse herd optimization algorithm. Neural Computing and Applications, 2022: p. 1-15.
    4. Zhang, L., S. Wang, and B. Liu, Deep learning for sentiment analysis: A survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2018. 8(4): p. e1253.
    5. Young, T., et al., Recent trends in deep learning based natural language processing. ieee Computational intelligenCe magazine, 2018. 13(3): p. 55-75.
    6. Tang, F., et al., Aspect based fine-grained sentiment analysis for online reviews. Information Sciences, 2019. 488: p. 190-204.
    7. Pang, B. and L. Lee, Seeing stars: Exploiting class relationships for sentiment categorization with respect to rating scales. arXiv preprint cs/0506075, 2005.
    8. Ouyang, X., et al. Sentiment analysis using convolutional neural network. in 2015 IEEE international conference on computer and information technology; ubiquitous computing and communications; dependable, autonomic and secure computing; pervasive intelligence and computing. 2015. IEEE.
    9. Nowak, J., A. Taspinar, and R. Scherer. LSTM recurrent neural networks for short text and sentiment classification. in International Conference on Artificial Intelligence and Soft Computing. 2017. Springer.
    10. Ma, D., et al., Interactive attention networks for aspect-level sentiment classification. arXiv preprint arXiv:1709.00893, 2017.
    11. Hassan, A. and A. Mahmood. Deep learning approach for sentiment analysis of short texts. in 2017 3rd international conference on control, automation and robotics (ICCAR). 2017. IEEE.
    12. Çano, E. and M. Morisio. A deep learning architecture for sentiment analysis. in Proceedings of the International Conference on Geoinformatics and Data Analysis. 2018.
    13. Goularas, D. and S. Kamis. Evaluation of deep learning techniques in sentiment analysis from twitter data. in 2019 International Conference on Deep Learning and Machine Learning in Emerging Applications (Deep-ML). 2019. IEEE.
    14. Li, R., et al., A local search algorithm with tabu strategy and perturbation mechanism for generalized vertex cover problem. Neural Computing and Applications, 2017. 28(7): p. 1775-1785.
    15. Hashim, F.A., et al., Archimedes optimization algorithm: a new metaheuristic algorithm for solving optimization problems. Applied Intelligence, 2021. 51(3): p. 1531-1551.
    16. Arora, S. and P. Anand, Binary butterfly optimization approaches for feature selection. Expert Systems with Applications, 2019. 116: p. 147-160.
    17. Hussien, A.G., et al., S-shaped binary whale optimization algorithm for feature selection, in Recent trends in signal and image processing. 2019, Springer. p. 79-87.
    18. McCallum, A., Graphical Models, Lecture2: Bayesian Network Represention. PDF). Retrieved, 2019. 22.
پدافند الکترونیکی و سایبری
دوره 11، شماره 4 - شماره پیاپی 44
(شماره پیاپی 44، فصلنامه زمستان)
اسفند 1402
صفحه 145-153

فایل ها

سابقه مقاله

  • تاریخ دریافت: 03 مرداد 1402
  • تاریخ بازنگری: 05 آذر 1402
  • تاریخ پذیرش: 25 آذر 1402
  • تاریخ انتشار: 28 دی 1402

هم رسانی

ارجاع به این مقاله

آمار