ترجمه فارسی مقاله تجزیه و تحلیل احساسات مبتنی بر واژگان بر روی قطب های متن با ارزیابی مدل های طبقه بندی

چکیده

Sentiment analysis possesses the potential of diverse applicability on digital platforms. Sentiment analysis extracts the polarity to understand the intensity and subjectivity in the text. This work uses a lexicon-based method to perform sentiment analysis and shows an evaluation of classification models trained over textual data. The lexicon-based methods identify the intensity of emotion and subjectivity at word levels. The categorization identifies the informative words inside a text and specifies the quantitative ranking of the polarity of words. This work is based on a multi-class problem of text being labeled as positive, negative, or neutral. Twitter sentiment dataset containing 1.6 million unprocessed tweets is used with lexicon-based methods like Text Blob and Vader Sentiment to introduce the neutrality measure on text. The analysis of lexicons shows how the word count and the intensity classify the text. A comparative analysis of machine learning models, Naiive Bayes, Support Vector Machines, Multinomial Logistic Regression, Random Forest, and Extreme Gradient (XG) Boost performed across multiple performance metrics. The best estimations are achieved through Random Forest with an accuracy score of 81%. Additionally, sentiment analysis is applied for a personality judgment case against a Twitter profile based on online activity.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل احساسات دارای پتانسیل کاربرد متنوع در سیستم عامل های دیجیتال است.تجزیه و تحلیل احساسات قطبیت را برای درک شدت و ذهنیت در متن استخراج می کند.این کار از یک روش مبتنی بر واژگان برای انجام تجزیه و تحلیل احساسات استفاده می کند و ارزیابی مدل های طبقه بندی آموزش داده شده بر روی داده های متنی را نشان می دهد.روشهای مبتنی بر واژگان شدت احساسات و ذهنیت را در سطح کلمه مشخص می کنند.طبقه بندی کلمات آموزنده را در یک متن مشخص می کند و رتبه کمی از قطبیت کلمات را مشخص می کند.این کار مبتنی بر یک مشکل چند طبقه از متن است که به عنوان مثبت ، منفی یا خنثی شناخته می شوند.مجموعه داده احساسات توییتر حاوی 1.6 میلیون توییت فرآوری نشده با روشهای مبتنی بر واژگان مانند متن Blob و Vader Sentiment برای معرفی اندازه گیری بی طرفی در متن استفاده می شود.تجزیه و تحلیل واژگان نشان می دهد که چگونه تعداد کلمات و شدت متن را طبقه بندی می کنند.تجزیه و تحلیل مقایسه ای از مدل های یادگیری ماشین ، Bayes Naiive ، دستگاه های بردار پشتیبانی ، رگرسیون لجستیک چندمیکی ، جنگل تصادفی و شیب شدید (XG) که در معیارهای مختلف عملکرد انجام می شود.بهترین تخمین ها از طریق جنگل تصادفی با نمره دقت 81 ٪ حاصل می شود.علاوه بر این ، تجزیه و تحلیل احساسات برای یک پرونده قضاوت شخصیتی در برابر مشخصات توییتر بر اساس فعالیت آنلاین اعمال می شود.