کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11028027 1666129 2018 39 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Deep learning for affective computing: Text-based emotion recognition in decision support
ترجمه فارسی عنوان
یادگیری عمیق برای محاسبات عاطفی: شناخت احساسات مبتنی بر متن در حمایت از تصمیم گیری
کلمات کلیدی
محاسبات عاطفی، شناخت احساسی، یادگیری عمیق، پردازش زبان طبیعی، استخراج متن، انتقال یادگیری،
ترجمه چکیده
احساسات به طور گسترده ای بر تصمیم گیری های انسانی تاثیر می گذارد. این واقعیت با محاسبات عاطفی با هدف تطبیق حمایت تصمیم گیری به حالت های عاطفی افراد مورد توجه قرار می گیرد. با این حال، شناخت دقیق احساسات در اسناد روایت به دلیل پیچیدگی و ابهام زبان، یک تعهد به چالش کشیدن است. بهبود عملکرد را می توان از طریق آموزش عمیق بدست آورد. با این حال، همانطور که در این مقاله نشان داده شده است، ماهیت خاصی از این کار نیاز به سفارشی سازی شبکه های عصبی مجدد با توجه به پردازش دو طرفه، لایه های خروجی به عنوان ابزار تنظیم و توابع از دست دادن وزن دارد. علاوه بر این، ما پیشنهاد فرستادن 2 اثر، یک فرم مناسب برای انتقال یادگیری برای محاسبات عاطفی پیشنهاد می کنیم: در اینجا شبکه برای کار دیگری (به عنوان مثال، تحلیل احساسات) پیش آموزش داده می شود، در حالی که لایه خروجی پس از آن به وظیفه شناخت احساسات تنظیم شده است. عملکرد به دست آمده در یک مجموعه جامع در 6 مجموعه داده های معیار ارزیابی می شود، جایی که می بینیم که هر دو شبکه های عصبی مکرر و انتقال یادگیری به طور مداوم یادگیری ماشین های سنتی را بهتر از آنچه پیش می روند، می پردازند. در کل، یافته های قابل توجهی برای استفاده از محاسبات عاطفی دارند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سیستم های اطلاعاتی
پیش نمایش مقاله
یادگیری عمیق برای محاسبات عاطفی: شناخت احساسات مبتنی بر متن در حمایت از تصمیم گیری
چکیده انگلیسی
Emotions widely affect human decision-making. This fact is taken into account by affective computing with the goal of tailoring decision support to the emotional states of individuals. However, the accurate recognition of emotions within narrative documents presents a challenging undertaking due to the complexity and ambiguity of language. Performance improvements can be achieved through deep learning; yet, as demonstrated in this paper, the specific nature of this task requires the customization of recurrent neural networks with regard to bidirectional processing, dropout layers as a means of regularization, and weighted loss functions. In addition, we propose sent2affect, a tailored form of transfer learning for affective computing: here the network is pre-trained for a different task (i.e. sentiment analysis), while the output layer is subsequently tuned to the task of emotion recognition. The resulting performance is evaluated in a holistic setting across 6 benchmark datasets, where we find that both recurrent neural networks and transfer learning consistently outperform traditional machine learning. Altogether, the findings have considerable implications for the use of affective computing.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Decision Support Systems - Volume 115, November 2018, Pages 24-35
نویسندگان
, , , , ,