Learning multiple layers of knowledge representation for aspect based sentiment analysis

تجزیه و تحلیل احساسات وظیفه به طور خودکار کشف ایده دقیق احساساتی در مورد یک محصول (یا خدمات، رویداد اجتماعی، و غیره) از نظرات متنی مشتری (به عنوان مثال بررسی ها) خالی از منابع مختلف رسانه های اجتماعی است. اخیرا ما می توانیم تقاضای رو به رشد تحلیل های احساسی مبتنی بر جنبه ها را ببینیم که در آن ما باید رتبه بندی احساسات و درجه اهمیت جنبه های محصول را تعیین کنیم. در این مقاله یک معماری جدید چند لایه برای ارائه بازخورد مشتری پیشنهاد می کنیم. ما متوجه می شویم که احساسات کلی یک محصول از احساسات جنبه های آن تشکیل شده است و در عوض هر جنبه احساسات خود را در جملات مرتبط بیان می کند که همچنین ترکیبات از کلمات آنها است. این مشاهدات ما را به طراحی معماری چند لایه نمایندگی دانش برای نشان دادن سطوح مختلف احساسات برای یک متن ورودی، انگیزه می دهد. این نمایه پس از آن یکپارچه به یک شبکه عصبی برای ایجاد یک مدل برای پیش بینی رتبه بندی کلی محصول می پردازد. ما با استفاده از تکنیک های یادگیری نمایشی، از جمله تعبیر کلمات و مدل های بردار ترکیب شده، و الگوریتم عقب سازی بر اساس نسل گرادیان برای یادگیری مدل استفاده می کنیم. در نتیجه، این مدل، رتبه بندی جنبه ها و همچنین وزن جنبه ها (به عنوان مثال درجه اهمیت جنبه) را تولید می کند. آزمایش ما بر روی مجموعه داده ای از بررسی ها از دامنه هتل انجام می شود و نتایج به دست آمده نشان می دهد که مدل ما در مطالعات قبلی بهتر از روش های شناخته شده است.