پروپوزال تحلیل احساسات کاربران در شبکه‌های اجتماعی با استفاده از ترکیب روش‌های یادگیری ماشین

پروپوزال تحلیل احساسات کاربران در شبکه‌های اجتماعی با استفاده از ترکیب روش‌های یادگیری ماشین

موضوع اصلی این پروپوزال ” تحلیل احساسات کاربران در شبکه‌های اجتماعی با استفاده از ترکیب روش‌های یادگیری ماشین” است. تعداد صفحات پروپوزال 16 صفحه با رعایت قالب استاندارد فرم دانشگاه می باشد. کلیه نکات نگارشی مطابق با استاندارهای پژوهشی انجام شده است.

بخشی از بیان مسئله تحقیق:

تحلیل احساس از دو مبحث مهم پردازش زبان و تکنیک­های دسته­بندی برای استخراج اطلاعات، استفاده می­کند[3]. در پردازش زبان اعمالی مانند شناسایی کلمات احساسی، تشکیل واژه‌نامه‌های احساسی، شناسایی نظرات جعلی با استفاده از واژه‌نامه‌های احساسی و یا کارهایی مانند ریشه‌یابی، حذف کلمات بی‌ارزش، حذف لینک‌ها، نمادی کردن کلمات و تشکیل کیسه کلمات انجام می‌گیرد. در مبحث دسته‌بندی، دسته‌بندی با اهداف متفاوتی مانند دسته‌بندی واقعی یا احساسی بودن نظرات و دسته‌بندی مثبت، خنثی یا منفی بودن نظر بیان شده با روش‌هایی مانند نمایش با دامنه عددی یا نمایش با برچسب برای هر دسته، در تحلیل احساس انجام می‌شود. که مهم‌ترین معیار ارزیابی و سنجش آن‌ها صحت و دقت می‌باشد.

روش‌های دسته‌بندی تحلیل احساس به سه دسته ‌کلی یادگیری نظارتی، نیمه‌نظارتی و غیر‌نظارتی تقسیم می‌شوند. در مقالات اخیر برای دسته­بندی اکثراً از الگوریتم‌های نظارتی و روش­هایی مانند ماشین بردار پشتیبان، بیز، رگرسیون و درخت تصمیم استفاده شده است که هر یک دارای معایبی هستند و بزرگ‌ترین مشکل آن‌ها عموماّ نداشتن دقت و صحت کافی در مسائل واقعی است. هر الگوریتم موجود برای دسته‌بندی، علاوه بر داشتن نقاط قوت، نقاط ضعفی نیز دارد که  باعث می‌شود در زمان دسته‌بندی بالاترین دقت و صحت به دست نیاید. در این تحقیق برای جلوگیری از این اتفاق از تلفیق دسته‌بند‌ها استفاده خواهد شد که باعث پوشاندن خطای یکدیگر شده و دقت بالاتری را به دست می‌آورد.

روش‌های مورد نظر برای تلفیق، شامل یادگیری عمیق، یادگیری تقویتی و درخت تصمیم هستند که دارای عملکردی مناسب در دسته‌بندی می‌باشند. علاوه بر انتخاب دسته‌بند‌ها،  یکی دیگر از عوامل مهم که باعث بالاتر رفتن دقت و صحت در دسته‌بندی تحلیل احساس می‌شود، انتخاب درست کلمات در جملات برای برداری کردن آن‌ها می‌باشد. در الگوریتم‌های نظارتی مربوط به پردازش متن ، پس از عمل پیش‌پردازش، معمولاً کیسه کلمات نمادی تشکیل می‌شود  که از آن مشخصه‌ها برای آموزش و ارزیابی دسته‌بند استخراج می‌شود. استخراج مشخصه برای آموزش دسته‌بند هر چه با کیفیت‌تر باشد معمولاً دسته‌بند نیز دارای دقت بهتری می‌باشد در این تحقیق برای استخراج مشخصه‌های ایده‌آل تر با استفاده از الگوریتم‌های فرا ابتکاری کیسه کلمات بهینه خواهد شد.

هدف پژوهش:

برخی از مهمترین اهداف این پژوهش به شرح ذیل است:

اهداف اصلی

• بالا بردن دقت و صحت و فراخوانی و F-measure در تحلیل احسـاس کاربران می­باشد. به گونه­ایی که بتـوان از راه‌حل ارائه‌شده برای حل مسـائل واقعی نیز استفاده کرد. برای رسیـدن به این هـدف، از دستـه­بند­های تلفیقی استفاده شده که انتـظار می­رود دقت را بهبود دهد.

اهداف فرعی

• بهینه­سازی کیسه کلمات با استفاده از الگوریتم­های تکاملی برای ساخت مدل.
• سعی شده دسته­بند­هایی برای تلفیق انتخاب شوند که روش کار متفاوتی با همدیگر برای دسته­بندی داشته باشند که در ترکیب با همدیگر خطاهای یکدیگر را به طور مؤثر پوشش دهند.
• انتخاب دسته­بند­هایی که بتوانند با داده­های حجیم نیز مدل بسازند و آموزش ببینند.

هدف از انتخاب این دسته­بند­ها جلوگیری از وقوع پدیده بیش تعلیمی ‌می­باشد. وقوع این پدیده باعث پایین آمدن دقت و صحت می­شود.

امکانات اصلی این پروپوزال پس از خرید عبارتند از

• امکان دانلود فایل Word پروپوزال
• امکان دانلود فایل Pdf پروپوزال

توجه:  در صورت نیاز به پایان نامه، سمینار، شبیه سازی و نگارش مقاله جدید مشابه با موضوع این پروپوزال کافیست با تیم پشتیبانی ما از طریق راه های ارتباطی مندرج در سایت ماکان تزیز تماس برقرار نمایید.