Sentiment analysis in french for improving services and products: a deep learning approach
Joel, Kanku |
Sentimentų analizė - teksto dalyje išreikštos nuomonės vertinimo procesas, skirtas nustatyti rašytojo jausmus, kurie gali būti teigiami, neigiami ar neutralūs. Šioje studijų srityje daugelis mokslininkų savo darbuose naudojo mašininio mokymosi metodą ar gilųjį mokymosi metodą, kad įvertintų tekste išreikštą nuomonę. Dauguma jų vartojo anglų kalbos žodžius, ir tik nedaugelis buvo suinteresuoti vartoti kitas kalbas. Atsižvelgiant į tai, pristatome giliojo mokymosi metodą sentimentams analizuoti, naudojant prancūzų kalbos tekstą. Šis metodas pagrįstas konvoliuciniais neuroniniais tinklais, kurie padeda klasifikuoti tekstą. Šio straipsnio tikslas yra naudojant "Convolutional Neural Network" architektūrą, suklasifikuoti žmonių sentimentus apie produktus bei paslaugas, panaudojant prancūzų kalbos tekstą. Sukurti modeliai naudoją informaciją iš klientų atsiliepimų, ją išanalizuoja ir kiekviename sakinyje nustato sentimento poliškumą kaip rezultatą. Buvo remtasi restoranų lankytojų ir nešiojamųjų kompiuterių pirkėjų atsiliepimais. Norėdami įrodyti modelio efektyvumą, mes atlikome eksperimentus dviem kanalais: CNN-rand ir CNN-static bei palyginome mūsų eksperimento rezultatus su kitų tyrėjų rezultatais.
Sentiment analysis is a process of evaluating an opinion expressed in a piece of text to determinate the writer’s feeling whether it is positive, negative .or neutral. In this field of study, a lot of researchers have used machine learning approach or deep learning approach in their works to evaluate the opinion expressed in a text. Most of them have used English words and very few were interested in other languages. Taking this into account, we present a deep learning approach for sentiment analysis using French text. The approach is based on Convolutional Neural Networks for text classification. The goal of this paper is to use Convolutional Neural Network architecture to classify the opinion expressed in a given of French text about services and products. We build models that take a text of restaurant and laptop reviews as input and determine the sentiment polarity in each sentence as output. To prove the effectiveness of our approach, we have run experiments in two-channels: CNN-rand and CNN-static and compare our experiment result with the results of other researchers.