Sentiment Analysis Based on Gated Recurrent Unit

Santur, Yunus

doi:10.1109/idap.2019.8875985

Cited by 24 publications

(12 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hisse senetlerinin gelecekteki fiyat hareketleri için finans ile ilgili çevrimiçi veri izleme platformlarında kullanıcı ve analistlere ait yorumların adaptif olarak sınıflandırılması ve zaman serileri üzerinde hibrit yaklaşımların kullanılması ile hisse senedi trend tahmini metrik değerlerinin iyileştiği görülmüştür [12]. Bu çalışmada ise bir e-ticaret sistesine ait kullanıcı yorumlarını içeren ve oldukça dengesiz olan bir veri setinde sınıflandırma performansının iyileştirilmesi amaçlanmıştır, genel olarak duygu sınıflandırma çalışmalarında kullanılan ön işlemler sıralı olarak aşağıdaki gibi verilmiştir [13].…”

Section: Duygu Analiziunclassified

See 1 more Smart Citation

Derin Öğrenme ve Aşağı Örnekleme Yaklaşımları Kullanılarak Duygu Sınıflandırma Performansının İyileştirilmesi

Santur

2020

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

Self Cite

View full text Add to dashboard Cite

Bir metnin hangi duygu sınıfına ait olduğunu bulma problemi duygu sınıflandırma olarak bilinmektedir. Bu işlemin otomatize bir şekilde yapılması çevrimiçi ortamda büyük miktarda verinin çok kısa sürelerde analiz edilebilmesine olanak sağlamaktadır. Böylece müşteri memnuniyetini ölçme, reklam ve içerik önerme gibi birçok farklı amaçla kullanılabilmektedir. E-ticaret uygulamalarında duygu sınıflandırma için kullanıcı yorumlarının yanı sıra, memnuniyet derecesini ölçen sayısal bir puanlama ya da duygu durumunu kategorik bir değişken olarak ifade edecek bir değişkene daha ihtiyaç duyulmaktadır. Bu sayede etiketli verilerden oluşan veri seti üzerinde denetimli öğrenme ile model oluşturulmaktadır. Burada yaşanan bir dezavantaj kullanıcıların bir üründen çoğunlukla memnun olmaları ya da tam tersi şikâyetçi olmalarıdır. Bu durumda oluşan veri seti dengesiz olmaktadır. Bu çalışmada Türk e-ticaret platformu Hepsiburada firmasına ait 243 bin kullanıcı yorumundan oluşan veri seti kullanılmıştır. Dengesiz olan bu veri setinde, sınıflandırma performansının iyileştirilmesi için derin öğrenme algoritmaları kullanılmış ve dengesiz veri seti yaklaşımı sunulmuştur. Sunulan yaklaşım ile yanlış pozitif oranı % 69'dan % 90'a, doğruluk değeri ise % 95.5'ten % 99'a iyileştirilmiştir.

show abstract

Section: Duygu Analiziunclassified

“…Bu çalışma IDAP konferansında sunulan çalışmanın genişletilmiş halidir [13]. Bildiri çalışmasında aynı veri seti kullanılarak GTB algoritması ile % 95 doğruluk elde edilmiştir.…”

Section: Deneysel Sonuçlar Ve Dengesiz Veri Seti Yaklaşımıunclassified

Derin Öğrenme ve Aşağı Örnekleme Yaklaşımları Kullanılarak Duygu Sınıflandırma Performansının İyileştirilmesi

Santur

2020

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

Self Cite

View full text Add to dashboard Cite

show abstract

“…The application of neural network architectures such as recurrent neural networks and their enhanced variations such as gated recurrent neural networks (GRUs) for problems involving sequential data such as speech recognition, language translation have been very successful. 40,[42][43][44] The GRU neural networks, with their innate abilities of learning long-term dependencies in sequences, are especially useful for handling SMILES strings.…”

Section: Neural Network Architecturementioning

confidence: 99%

Deep Learning-based Ligand Design using Shared Latent Implicit Fingerprints from Collaborative Filtering

Srinivas

Verma

Larson

et al. 2020

Preprint

View full text Add to dashboard Cite

In their previous work, Srinivas et al.1 have shown that implicit fingerprints capture ligands and proteins in a shared latent space, typically for the purposes of virtual screening with collaborative filtering models applied on known bioactivity data. In this work, we extend these implicit fingerprints/descriptors using deep learning techniques to translate latent descriptors into discrete representations of molecules (SMILES), without explicitly optimizing for chemical properties. This allows the design of new compounds based upon the latent representation of nearby proteins, thereby encoding drug-like properties including binding affinities to known proteins. The implicit descriptor method does not require any fingerprint similarity search, which makes the method free of any bias arising from the empirical nature of the fingerprint models. 1 We evaluate the properties of the novel drugs generated by our approach using physical properties of drug-like molecules and chemical complexity. Additionally, we analyze the reliability of the biological activity of the new compounds generated using this method by employing models of protein ligand interaction, which assists in assessing the potential binding affinity of the designed compounds. We find that the generated compounds exhibit properties of chemically feasible compounds and are likely to be excellent binders to known proteins. Furthermore, we also analyze the diversity of compounds created using the Tanimoto distance and conclude that there is a wide diversity in the generated compounds.Graphical TOC Entry

show abstract

“…CNN is able to retrieve the text's subjective representation; It fails to recognize the characteristics of progression of texts. (Santur, 2019) utilised GRU to analyse sentiment. Despite the fact that GRU may extract context based information, it is a biased model in which words appearing later are valued more than early words.…”

Section: Introductionmentioning

confidence: 99%

Proposed Hybrid model for Sentiment Classification using CovNet-DualLSTM Techniques

Ranjan

Daniel

2022

ADCAIJ

View full text Add to dashboard Cite

The fast growth of Internet and social media has resulted in a significant quantity of texts based review that is posted on the platforms like social media. In the age of social media, analyzing the emotional context of comments using machine learning technology helps in understanding of QoS for any product or service. Analysis and classification of user’s review helps in improving the QoS (Quality of Services). Machine Learning techniques have evolved as a great tool for performing sentiment analysis of user’s. In contrast to traditional classification models. Bidirectional Long Short-Term Memory (BiLSTM) has obtained substantial outcomes and Convolution Neural Network (CNN) has shown promising outcomes in sentiment classification. CNN can successfully retrieve local information by utilizing convolutions and pooling layers. BiLSTM employs dual LSTM orientations for increasing the background knowledge accessible to deep learning based models. The hybrid model proposed here is to utilize the advantages of these two deep learning based models. Tweets of users for reviews of Indian Railway Services have been used as data source for analysis and classification. Keras Embedding technique is used as input source to the proposed hybrid model. The proposed model receives inputs and generates features with lower dimensions which generate a classification result. The performance of proposed hybrid model was compared using Keras and Word2Vec and observed effective improvement in the response of the proposed model with an accuracy of 95.19%.

show abstract

Sentiment Analysis Based on Gated Recurrent Unit

Cited by 24 publications

References 8 publications

Derin Öğrenme ve Aşağı Örnekleme Yaklaşımları Kullanılarak Duygu Sınıflandırma Performansının İyileştirilmesi

Derin Öğrenme ve Aşağı Örnekleme Yaklaşımları Kullanılarak Duygu Sınıflandırma Performansının İyileştirilmesi

Deep Learning-based Ligand Design using Shared Latent Implicit Fingerprints from Collaborative Filtering

Proposed Hybrid model for Sentiment Classification using CovNet-DualLSTM Techniques

Contact Info

Product

Resources

About