دانلود مقاله ISI انگلیسی شماره 157910
ترجمه فارسی عنوان مقاله

یادگیری چندین لایه نمایندگی دانش برای تجزیه و تحلیل احساسات مبتنی بر جنبه

عنوان انگلیسی
Learning multiple layers of knowledge representation for aspect based sentiment analysis
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
157910 2018 14 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 9942 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 16 روز بعد از پرداخت 119,304 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 8 روز بعد از پرداخت 238,608 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Data & Knowledge Engineering, Volume 114, March 2018, Pages 26-39

ترجمه کلمات کلیدی
تجزیه و تحلیل احساسات، تجزیه و تحلیل احساسات مبتنی بر معیار، یادگیری نمایندگی، نمایندگی چند لایه، مدل های برداری ترکیبی دکمه های کلمه
کلمات کلیدی انگلیسی
Sentiment analysis; Aspect based sentiment analysis; Representation learning; Multiple layer representation; Compositional vector models; Word embeddings;
ترجمه چکیده
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.
ترجمه دقیق تری نیاز دارید؟ سفارش دهید
پیش نمایش مقاله
پیش نمایش مقاله یادگیری چندین لایه نمایندگی دانش برای تجزیه و تحلیل احساسات مبتنی بر جنبه

چکیده انگلیسی

Sentiment Analysis is the task of automatically discovering the exact sentimental ideas about a product (or service, social event, etc.) from customer textual comments (i.e. reviews) crawled from various social media resources. Recently, we can see the rising demand of aspect-based sentiment analysis, in which we need to determine sentiment ratings and importance degrees of product aspects. In this paper we propose a novel multi-layer architecture for representing customer reviews. We observe that the overall sentiment for a product is composed from sentiments of its aspects, and in turn each aspect has its sentiments expressed in related sentences which are also the compositions from their words. This observation motivates us to design a multiple layer architecture of knowledge representation for representing the different sentiment levels for an input text. This representation is then integrated into a neural network to form a model for prediction of product overall ratings. We will use the representation learning techniques including word embeddings and compositional vector models, and apply a back-propagation algorithm based on gradient descent to learn the model. This model consequently generates the aspect ratings as well as aspect weights (i.e. aspect importance degrees). Our experiment is conducted on a data set of reviews from hotel domain, and the obtained results show that our model outperforms the well-known methods in previous studies.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 9942 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 16 روز بعد از پرداخت 119,304 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 8 روز بعد از پرداخت 238,608 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.