دانشکده مهندسی کامپیوتر- دفاعیه ارشد
فاطمه مدبر

حذف تصاویر و رنگ‌ها  | تاریخ ارسال: 1401/2/25 | 

ارائه­ دهنده:

فاطمه مدبر

  استاد راهنما:

  دکتر حسین رحمانی
هیات داوری: 
دکتر عین‌الله خنجری
 دکتر حسین خواسته



زمان:
 ۱۴۰۱/۰۲/۲۷

ساعت ۱۷:۰۰
 

خانم فاطمه مدبر دانشجوی کارشناسی ارشد آقای دکتر حسین رحمانی روز سه شنبه مورخ ۲۷ اردیبهشت ماه ساعت ۱۷:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "ارزیابی شهرت در شبکه اجتماعی توئیتر با استفاده از یادگیری عمیقدفاع خواهند نمود.

چکیده پایان نامه:
امروزه مردم دسترسی فراگیری به برنامه‌های کاربردی و سرویس‌هایی دارند که آنان را قادر می‌سازد که نظرات و عقاید خود را دائما به اشتراک بگذارند. با رشد و گسترش شبکه‌های اجتماعی، نظرات افراد پیرامون موجودیت‌هایی مانند اشخاص معروف، شرکت‌ها و غیره به سرعت و در ابعاد گسترده پخش می‌شود. لذا موجودیت‌های یادشده تحت بررسی موشکافانه‌ای هستند و هر اتفاقی پتانسیل این را دارد که آن موجودیت‌ها را زیر ذره‌بین قرار دهد. به این ارزیابی و درک کلی که افراد از یک موجودیت هدف دارند، شهرت گفته می‌شود. ارزیابی شهرت یک موجودیت برای پی بردن به نظرات مردم درباره آن، مدیریت افکار عمومی، اصلاح تصویر موجودیت در بین عموم و غیره حائز اهمیت است. در بین شبکه‌های اجتماعی، توئیتر شبکه‌ایست که اتفاقات معمولا ابتدا در آن پخش می‌شوند و مردم نظرات خود را حول آن اتفاقات به اشتراک می‌گذارند لذا منبع خوبی برای تحقیق حول شهرت موجودیت‌ها است. به ‌همین‌ منظور در این پایان‌نامه تمرکز روی داده‌های توئیتر است. در گذشته روش‌های ارزیابی شهرت عموما دستی بوده ولی امروزه با رشد و پیشرفت روش‌های تحلیل داده، میتوان با روش‌های خودکار به ارزیابی شهرت موجودیت‌های گوناگون پرداخت. شبکه‌ اجتماعی توئیتر عمدتا شامل محتوای متنی است لذا ارزیابی خودکار شهرت در شبکه توئیتر عموما متکی به تکنیک‌های متن‌کاوی است. ارزیابی شهرت یک پروسه چند وظیفه‌ایست. وظیفه «پالایش» یعنی تشخیص توییت‌های مرتبط با موجودیت‌های هدف و «تشخیص قطبیت» یعنی تعیین اینکه توییت‌های موردنظر دلالت مثبت، منفی یا خنثی بر شهرت موجودیت دارند، دو وظیفه اصلی هر سیستم ارزیابی شهرت هستند. ارزیابی خودکار شهرت در شبکه‌های اجتماعی موضوعیست که در بخش آکادمیک کمتر به آن پرداخته شده‌است. از این رو در تمام مراحل آن می‌توان از انواع تکنیک‌ها و روش‌های جدید و به‌روز استفاده کرد. یکی از این تکنیک‌ها یادگیری عمیق است که در سال‌های اخیر توجه محققان زیادی را به خود جلب کرده‌است. بدین منظور در این پژوهش برای ارزیابی شهرت  در شبکه اجتماعی توئیتر از روش‌های یادگیری عمیق استفاده کرده‌ایم. برای وظیفه پالایش، مدل پیشنهادی ما از مدل زبانی BERT استفاده کرده و با مقایسه شباهت تعبیه‌های توییت‌های مجموعه آموزش و آزمایش، مشخص می‌کند که هر توییت مجموعه آزمایش به تعداد بیشتری از توییت‌های با برچسب «مرتبط» در مجموعه آموزش شباهت دارند یا به توییت‌هایی با برچسب «نامرتبط». سپس بر همین اساس برچسب‌های توییت‌های مجموعه آزمایش مشخص می‌شوند. نتایج نشان می‌دهد که مدل ارائه شده نسبت به مدل مبنا دارای بهبود ۵.۶ درصدی در سنجه معیار-اف است. برای وظیفه تشخیص قطبیت، مدل پیشنهادی ما از مدل زبانی BERT برای استخراج تعبیه‌های توییت‌های مجموعه آموزش و آزمایشی بهره برده‌است. سپس از تعبیه‌های توییت‌های مجموعه آموزش برای ساخت یک رده‌بند با استفاده از شبکه عصبی استفاده شده‌است. نتایج رده‌بندی نشان می‌دهد که این مدل دارای بهبود ۹.۷ درصد در سنجه معیار-اف نسبت به بهترین نتایج پژوهش‌های دیگر این وظیفه است.
واژه‌های کلیدی: شهرت، توئیتر، یادگیری عمیق، BERT، شبکه عصبی


دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

 

 
نشانی مطلب در وبگاه دانشکده مهندسی کامپیوتر:
http://idea.iust.ac.ir/find.php?item=14.11064.67137.fa
برگشت به اصل مطلب