| پیش بینی شکلک متناسب با متن با استفاده از روش Bagging |
| کد مقاله : 1069-AISCH (R1) |
| نویسندگان |
|
نگار شیعه *1، ابراهیم خلیل عباسی2 1گروه کامپیوتر موسسه آموزش عالی غیرانتفاعی-غیر دولتی رشدیه تبریز 2عضو هیات علمی دانشگاه فرهنگیان تبریز، ایران |
| چکیده مقاله |
| امروزه شکلکها زبان مشترک در بین ملتهای مختلف با زبان و گویشهای متفاوت است. انتخاب خودکار یک شکلک متناسب با متن یکی از قابلیتهای مورد انتظار در شبکههای اجتماعی و سیستمهای ارتباط جمعی در فضای مجازی است. یادگیری ماشین و پردازش زبان طبیعی به عنوان دو روش کارآمد در پیش بینی و انتساب یک شکلک به یک متن دارای دقت بالاتری نسبت به سایر الگوریتمها و روشهای اکتشافی دیگر هستند. هدف این مقاله ارزیابی میزان دقت و کارآمدی الگوریتمهای ترکیبی یادگیری ماشین نسبت به الگوریتمهای طبقهبندی در مساله انتساب خودکار شکلک متناسب به متن انگلیسی است. به این منظور، ابتدا دقت تعدادی از الگوریتمهای طبقهبندی به صورت مستقل ارزیابی و سپس با استفاده از روش ترکیبی Bagging، دقت مدل ترکیبی حاصل از این الگوریتمها محاسبه شد. ارزیابی نشان داد که مدل ترکیبی دارای دقت بیشتر و خطای کمتری نسبت به الگوریتم ماشین بردار پشتیبان که در بین الگوریتمهای طبقهبندی دقت بالاتری داشت، است. |
| کلیدواژه ها |
| پیش بینی شکلکها، پردازش زبان طبیعی ، طبقهبندی ترکیبی ، یادگیری ماشین |
| وضعیت: پذیرفته شده |