مقاله انگلیسی رده‎‌بندی گروه‌های سنی در شبکه اجتماعی با استفاده از یادگیری عمیق (2017 IEEE)

شبکه های اجتماعی مقدار زیادی از داده ها را در دسترس دارند، اما اغلب مردم برخی از اطلاعات شخصی خود، مانند سن، جنسیت و سایر متغیرهای جمعیتی را ارائه نمی دهند. اگر چه تجزیه و تحلیل احساسات از چنین داده هایی برای ایجاد برنامه های کاربردی مفید در زندگی روزمره مردم استفاده می کند اما در این نوع تجزیه و تحلیل، یا تعداد محدودی از کلمات موجود در واژه نامه واژه ها، یا هنوز به دلیل پارامترهای متنوعی که می توانند احساسات در یک حکم را تحت تاثیر قرار می دهد؛ بدین ترتیب نتایج قابل اطمینان تر می تواند به دست آید، در صورتی که اطلاعات پروفایل کاربران و خصوصیات نوشتن آنها در نظر گرفته شود. این تحقیق نشان می دهد که یکی از مهمترین پارامترهای موجود در پروفایل کاربر، گروه سنی است که نشان می دهد رفتارهای معمول در میان کاربران گروه سنی مشابه است، به ویژه هنگامی که این کاربران در مورد یک موضوع مشابه بنویسند. تجزیه و تحلیل دقیق با 7000 جمله انجام شد تا مشخص شود کدام ویژگی ها مناسب هستند، مانند استفاده از نشانه گذاری، تعداد کاراکتر ها، اشتراک گذاری رسانه ها، موضوعات، و غیره؛ و کدام یک برای طبقه بندی گروه های سنی می تواند نادیده گرفته شود. الگوریتم های مختلف الگوریتم یادگیری برای طبقه بندی نوجوانان و گروه سنی بزرگسالان تست شده اند و شبکه عصبی کانولوشن عمیق ترین عملکرد را داشته و با دقت 0.95 در آزمون اعتبار سنجی به دست آمده است. علاوه بر این، به منظور اعتبار سنجی سودمندی مدل پیشنهادی برای طبقه بندی گروه های سنی، به مفهوم سنجش احساسات (eSM) پیوسته است. در اعتبار سنجی عملکرد، آزمونهای ذهنی انجام می شود و مدل eSM با مدل پیشنهادی به میانگین خطای مربع رسیده است و ضریب همبستگی پیرسون به ترتیب 0.25 و 0.94، بالاتر از متریک های eSM، زمانی که اطلاعات گروه سنی در دسترس نیست.

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

Abstract

Social networks have a large amount of data available, but often, people do not provide some of their personal data, such as age, gender, and other demographics. Although the sentiment analysis uses such data to develop useful applications in people’s daily lives, there are still failures in this type of analysis, either by the restricted number of words contained in the word dictionaries or because they do not consider the most diverse parameters that can influence the sentiments in a sentence; thus, more reliable results can be obtained, if the users profile information and their writing characteristics are considered. This research suggests that one of the most relevant parameter contained in the user profile is the age group, showing that there are typical behaviors among users of the same age group, specifically, when these users write about the same topic. A detailed analysis with 7000 sentences was performed to determine which characteristics are relevant, such as, the use of punctuation, number of characters, media sharing, topics, among others; and which ones can be disregarded for the age groups classification. Different learning machine algorithms are tested for the classification of the teenager and adult age group, and the deep convolutional neural network had the best performance, reaching a precision of 0.95 in the validation tests. Furthermore, in order to validate the usefulness of the proposed model for classifying age groups, it is implemented into the enhanced sentiment metric (eSM). In the performance validation, subjective tests are performed and the eSM with the proposed model reached a root mean square error and a Pearson correlation coefficient of 0.25 and 0.94, respectively, outperforming the eSM metric, when the age group information is not available.