Phase05-NLP With Neural Networks-A.Soltan

[arminsoltan]

• [x] Section 1: Text Classification
  • [x] Follow tutorial
  • [x] Text preprocessing
  • [x] EDA on data
  • [x] Word cloud
  • [x] Train model
  • [x] Evaluate model
• [x] Section 2: Sentiment Analysis
  • [x] Lookup table method [FILL HERE WITH RIGHT ANSWERS TO QUESTION 1] [FILL HERE WITH RIGHT ANSWERS TO QUESTION 2] [FILL HERE WITH RIGHT ANSWERS TO QUESTION 3]
  • [x] Train RNN model [FILL HERE WITH RIGHT ANSWERS TO QUESTION 1] [FILL HERE WITH RIGHT ANSWERS TO QUESTION 2]
  • [x] Train CNN model [FILL HERE WITH RIGHT ANSWERS TO QUESTION 1] [FILL HERE WITH RIGHT ANSWERS TO QUESTION 2] [FILL HERE WITH RIGHT ANSWERS TO QUESTION 3]
• [x] Section 3: Embedding
  • [x] Extract embedding of words from NN
  • [x] Train Gensim word embedding on persian corpus
  • [x] Train NN with word embedding from Gensim
  • [x] Train NN with word embedding from Fasttext
  • [x] Compare results from Gensim and Fasttext embeddings

[arminsoltan]

این روش چه ایراداتی داره؟ ممکن است کلمات دارای استعاره و کنایه باشد و در این روش فقط باجمع قطبیت کلمات سنجیده می شود نمیتوان نتیجه گیری درستی کرد اگر در جمله ای که میخواهیم قطبیت آن را مشخص کنیم، کلمه ای بود که قبلا در دایره واژگان قطبیت های ما نبود، چه کاری انجام میدی؟ به جای آن قطبیت صفر در نظر میگیریم روش شبکه عصبی بارگشتی بهتره یا روش غیر شبکه ای؟ چرا؟ روش شبکه عصبی بهتر است در این روش واژه نامه ای می سازیم که می توانیم بر اساس تعداد دفعات آمدن کلمات فیلتر انجام بدهیم همچنین دیگر نگران وجود نداشتن کلمات مانند روش قطبیت نیستیم نتایج این چند روش رو با هم مقایسه کن روش شبکه بازگشتی بیشترین دقت را داشته است سپس مدل شبکه ای کانولوشنی و بعد از آن قطبیت کلمات کدام شبکه عصبی برای طبقه بندی احساسات بهتر است؟ شبکه بازگشتی به روش lstm زیرا می تواند اطلاعات کلماتی قبلی را به خاطر بسپارد