ترجمه فارسی مقاله معماری یادگیری عمیق قابل تفسیر با الهام از کوانتوم برای تجزیه و تحلیل احساسات متن

چکیده

Text has become the predominant form of communication on social media, embedding a wealth of emotional nuances. Consequently, the extraction of emotional information from text is of paramount importance. Despite previous research making some progress, existing text sentiment analysis models still face challenges in integrating diverse semantic information and lack interpretability. To address these issues, we propose a quantum-inspired deep learning architecture that combines fundamental principles of quantum mechanics (QM principles) with deep learning models for text sentiment analysis. Specifically, we analyze the commonalities between text representation and QM principles to design a quantum-inspired text representation method and further develop a quantum-inspired text embedding layer. Additionally, we design a feature extraction layer based on long short-term memory (LSTM) networks and self-attention mechanisms (SAMs). Finally, we calculate the text density matrix using the quantum complex numbers principle and apply 2D-convolution neural networks (CNNs) for feature condensation and dimensionality reduction. Through a series of visualization, comparative, and ablation experiments, we demonstrate that our model not only shows significant advantages in accuracy and efficiency compared to previous related models but also achieves a certain level of interpretability by integrating QM principles. Our code is available at QISA.

چکیده به فارسی (ترجمه ماشینی)

متن به شکل غالب ارتباطات در رسانه های اجتماعی تبدیل شده است و تعداد زیادی از ظرافت های عاطفی را تعبیه کرده است.در نتیجه ، استخراج اطلاعات عاطفی از متن از اهمیت ویژه ای برخوردار است.علیرغم تحقیقات قبلی ، پیشرفت هایی را انجام می دهد ، مدلهای تجزیه و تحلیل احساسات موجود هنوز هم در ادغام اطلاعات معنایی متنوع و فاقد تفسیر با چالش هایی روبرو هستند.برای پرداختن به این موضوعات ، ما یک معماری یادگیری عمیق با الهام از کوانتومی پیشنهاد می کنیم که ترکیب اصول اساسی مکانیک کوانتومی (اصول QM) با مدل های یادگیری عمیق برای تجزیه و تحلیل احساسات متنی است.به طور خاص ، ما مشترکات بین بازنمایی متن و اصول QM را برای طراحی یک روش بازنمایی متن با الهام از کوانتومی تجزیه و تحلیل می کنیم و بیشتر یک لایه تعبیه شده متن با الهام از کوانتومی را توسعه می دهیم.علاوه بر این ، ما یک لایه استخراج ویژگی را بر اساس شبکه های حافظه کوتاه مدت (LSTM) و مکانیسم های خودآگاهی (SAM) طراحی می کنیم.سرانجام ، ما ماتریس چگالی متن را با استفاده از اصل تعداد پیچیده کوانتومی محاسبه می کنیم و شبکه های عصبی 2D-convolution (CNN) را برای تراکم ویژگی و کاهش ابعاد اعمال می کنیم.از طریق یک سری آزمایشات تجسم ، تطبیقی ​​و فرسایش ، ما نشان می دهیم که مدل ما نه تنها در مقایسه با مدلهای مرتبط قبلی ، مزایای قابل توجهی در صحت و کارآیی نشان می دهد بلکه با ادغام اصول QM به سطح خاصی از تفسیر می رسد.کد ما در QISA موجود است.