[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور فرهنگی::
امور پژوهشی::
آموزش الکترونیکی::
پردیس شماره 2::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
تماس با ما::
::
ورود به سایت دروس

AWT IMAGE

نام کاربری
کلمه عبور

AWT IMAGE
رمز ورود را فراموش کرده‌اید؟

..
دفاعیه کارشناسی ارشد

دفاعیه کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: لیلا اسکویی - 1398/02/02 ::
 | تاریخ ارسال: ۱۳۹۸/۲/۲ | 

ارائه­ دهنده:

لیلا اسکویی

  استاد راهنما:

 دکتر عین الله خنجری و دکتر بهروز مینایی

  استاد ممتحن خارجی :  دکتر علی احمدی

استاد ممتحن داخلی: دکتر محمدرضا کنگاوری

  زمان :  دو شنبه  02 اردیبهشت ماه 1398

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق 304


خانم لیلا اسکویی دانشجوی کارشناسی ارشد آقایان دکتر عین الله خنجری و دکتر بهروز مینایی روز دوشنبه 02 اردیبهشت ماه ساعت 15 در اتاق 304 واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان تعیین قطبیت در نظرکاوی با استفاده از روش یادگیری عمیق دفاع خواهند نمود.

چکیده پایان نامه:

نظرکاوی برای متون با طول کم مانند داده­های توییتر یکی از موضوعات چالش برانگیز است زیرا به دلیل اطلاعات محدود جملات، وجود کلمات محاوره‌ای، غلط‌های املایی و همچنین اشتباهات دستور زبانی کار رده‌بندی متون با چالش‌هایی همراه است.
با به وجود آمدن شبکه­های اجتماعی، حجم زیادی از داده­های متنی به وجود آمدند. این داده­ها حاوی اطلاعاتی مفید در موضوعات مختلف هستند. یکی از این شبکه‌های اجتماعی توییتر است که با به‌وجود آمدن آن گرایش به مسئله‌ی نظر‌کاوی بیشتر شده است. هدف از نظر­کاوی بررسی و تحلیل نظرات کاربران و مطلع شدن از گرایش آن­ها نسبت به موضوعات مختلف است.
با ظهور توییتر حجم زیادی از داده‌های متنی بدون ساختار به وجود آمد. مدیریت داده با این حجم بالا کار دشواری است. یادگیری ماشین روشی است که می‌توان با استفاده از آن حجم بالای داده را بررسی و تحلیل کرد. یادگیری عمیق یکی از زیر شاخه‌های یادگیری ماشین است.
در این پژوهش از یک معماری عمیق برای نظرکاوی بر روی داده‌های توییتر استفاده شده است. این معماری مبتنی بر روش شبکه عصبی پیچشی است. روش پیشنهادی علاوه بر داده­های ورودی از یک ورودی کمکی دیگر نیز بهره می­گیرد. مقدار این ورودی با استفاده از روش مبتنی بر واژگان به دست می­آید. همچنین در این پژوهش از یک بازنمایش وابسته به وظیفه برای داده­های ورودی استفاده کرده‌ایم.
برای ارزیابی روش پیشنهادی را با چهار شبکه­ی یادگیری عمیق دیگر مقایسه کردیم، با توجه به نتایج به دست آمده، روش پیشنهادی به نتایج قابل توجهی بر روی مجموعه داده­ی SemEval 2017 دست یافت. بالاترین مقدار صحت روش پیشنهادی برای رده­بندی نظرات به دو رده­ی مثبت یا منفی برابر با 90.38 است.
 
واژه‌های کلیدی: نظرکاوی، یادگیری عمیق، شبکه‌های اجتماعی، شبکه‌های پیچشی عمیق، بازنمایش


  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

دفعات مشاهده: 119 بار   |   دفعات چاپ: 2 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان

مطالب مشابه


School of Computer Engineering
Persian site map - English site map - Created in 0.19 seconds with 52 queries by YEKTAWEB 3862