آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,253 |
| تعداد مقالات | 15,411 |
| تعداد مشاهده مقاله | 51,248,484 |
| تعداد دریافت فایل اصل مقاله | 14,255,881 |
استفاده از شبکه‌های مولد تخاصمی در افزایش کارایی دسته بندی نظرات نامتعادل کاربران | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 15 بهمن 1402 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2024.58494.4724 | ||
| نویسندگان | ||
| هدی مشایخی* 1؛ بهاره جاوید2 | ||
| 1دانشگاه صنعتی شاهرود | ||
| 2هوش مصنوعی، مهندسی کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، ایران | ||
| چکیده | ||
| روش‌های تولید متن برای تولید خودکار متون زبان طبیعی از هوش مصنوعی استفاده می‌کنند. یکی از کاربردهای تولید متن در دسته‌بندی متن است. بسیاری از مسائل دنیای واقعی با داده‌های متنی نامتعادل در ارتباط هستند که می‌تواند کارایی دسته‌بندی را کاهش دهد. یک رویکرد حل مشکل داده‌های نامتعادل، بیش-نمونه‌برداری از کلاس اقلیت است. با توجه به پیشرفت شبکه‌های مولد تخاصمی (GAN) در تولید داده، می‌توان از این شبکه‌ها برای تولید نمونه‌های متنی در بیش‌نمونه‌برداری استفاده کرد. تولید متن به کمک شبکه‌های مولد تخاصمی به دلیل ماهیت گسسته متن مسئله‌ای پیچیده است. علیرغم پتانسیل آن‌ها، استفاده این شبکه‌ها در حل مشکل داده‌های متنی نامتعادل به ندرت مورد بررسی قرار گرفته است. این مقاله به بررسی تاثیر استفاده از شبکه‌ی SentiGAN بر حل مشکل عدم تعادل نظرات کاربران با هدف بهبود کارایی دسته‌بندی می‌پردازد. بعد از ارائه روش پیشنهادی و چارچوب ارزیابی، چهار الگوریتم دسته‌بندی بر روی داده‌ها اجرا شده و معیارهای ارزیابی مختلف پیش و پس از بیش‌نمونه‌برداری محاسبه و تحلیل شده‌اند. همچنین نتایج با روش‌های بیش‌نمونه‌برداری سنتی و اخیر مقایسه شده است. بیش‌نمونه‌برداری با روش پیشنهادی باعث افزایش معیارهای صحت، دقت و تشخیص‌پذیری، و امتیاز اف دسته‌بندی داده‌های اقلیت نسبت به داده‌های نامتعادل و همچنین در مقایسه با روش‌های دیگر بیش‌نمونه‌برداری می‌شود. | ||
| کلیدواژه‌ها | ||
| شبکه‌های مولد تخاصمی (GAN)؛ دسته‌بندی متون نامتعادل؛ بیش‌نمونه‌برداری؛ متن نامتعادل؛ دسته بندی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 65 |
||