استفاده از مدل‌های یادگیری انتقالی برای بهبود تشخیص احساسات بصری در شبکه‌های اجتماعی

نویسندگان

1 گروه هوش مصنوعی، دانشکده و پژوهشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین (ع)، تهران، ایران

2 پژوهشگر دانشگاه جامع امام حسین (ع)، تهران، ایران

doi
10.22034/abmir.2023.20213.1028
چکیده

تجزیه و تحلیل احساسات افراد از محتوای رسانه‌های اجتماعی از طریق متن، گفتار و تصاویر، در انواع مختلفی از برنامه‌ها و کاربردها مورد نیاز است. اکثر مطالعات تحقیقاتی اخیر در زمینه تجزیه و تحلیل احساسات، بر داده‌های متنی تمرکز داشته‌اند. با این حال، کاربران رسانه‌های اجتماعی، عکس‌ها و فیلم‌های مشابه بیشتری نسبت به متن به اشتراک می‌گذارند. به‌عبارت دیگر، تصاویر بهترین روش برای انتقال احساسات به دیگران هستند. از این رو، تمرکز بر توسعه یک مدل تحلیل احساسات بر اساس تصاویر در رسانه‌های اجتماعی اهمیت دارد. در این مقاله، از مدل یادگیری انتقال DenseNet-121 برای تحلیل احساسات بر اساس تصاویر استفاده خواهیم کرد. برای پیاده‌سازی این روش، از تصاویر موجود در مجموعه داده Image Sentiment استفاده خواهیم نمود. این مجموعه داده شامل آدرس‌های اینترنتی تصاویر به‌همراه قطبیت‌های احساسی آن‌ها است. بر اساس نتایج به‌دست‌آمده، دقت مدل پیشنهادی در این مقاله برابر با 89 % است که در مقایسه با کارهای پیشین در زمینه تجزیه و تحلیل احساسات بصری، مدل پیشنهادی، بهبود ۵ تا ۱۰ درصدی را نشان‌می‌دهد.