|
عنوان
|
ارائه مدلی ترکیبی و کم پارامتر مبتنی بر معماری ترنسفورمر و GRU برای تحلیل احساسات متون فارسی
|
|
نوع پژوهش
|
مقاله چاپ شده
|
|
کلیدواژهها
|
پردازش زبان طبیعی، تحلیل احساسات، کاهش پیچیدگی محاسباتی، مدل ترنسفورمر
|
|
چکیده
|
تحلیل احساسات به عنوان یکی از زیرمجموعه های طبقه بندی متن، ابزاری حیاتی در حوزه هایی مانند مدیریت اطلاعات، تحلیل داده و بهبود عملکرد است. پیچیدگی متون فارسی، به دلیل ویژگی هایی نظیر طعنه، چندمعنایی و ترکیب زبانها، چالشهای منحصربه فردی را برای شناسایی احساسات ایجاد میکند. در این پژوهش، مدلی جدید معرفیشده که با ترکیب GRU و ParsBERT ، ویژگیهای محلی و سراسری متن را استخراج میکند. در این پژوهش تمرکز اصلی بر کاهش پیچیدگی محاسباتی و زمان آموزش با حفظ سطح مطلوب دقت بوده است، تا مدل بتواند در محیط های با منابع محدود نیز قابلیت استفاده داشته باشد. این مدل با کاهش لایه های رمزگذار و افزودن GRU ، پارامترها و زمان آموزش را بهبود میبخشد. آزمایش ها روی مجموعه داده های اسنپ فود و طاقچه نشان داد که این مدل نسبت به مدل های پایه دقت بالاتری دارد و آموزش آن نیز سریعتر است. مدل ارائه شده در مجموعه داده طاقچه به 76/7 و در اسنپ فود به 86/16 در معیار F1 دست یافت، درحالیکه تعداد پارامترهای آن کاهش چشمگیری داشت. این نتایج نشان میدهد که مدل ارائه شده برای تحلیل
احساسات متون فارسی، کارآمد و بهینه است.
|
|
پژوهشگران
|
محسن نورایی (نفر اول)، حمیدرضا غفاری (نفر دوم)، فاطمه زریسفی کرمانی (نفر سوم)
|