नमस्कार, हेब्र! मैं आपको एल्विस सरविया के लेख " डीप कन्वोकेशनल न्यूरल नेटवर्क्स के साथ सरकस्म का पता लगाने " का अनुवाद प्रस्तुत करता हूं।


प्राकृतिक भाषा प्रसंस्करण में प्रमुख मुद्दों में से एक व्यंग्य का पता लगाना है। भावनात्मक कंप्यूटिंग और मनोदशा विश्लेषण जैसे अन्य क्षेत्रों में कटाक्ष का पता लगाना महत्वपूर्ण है, क्योंकि यह वाक्य की ध्रुवीयता को दर्शाता है।

यह आलेख दिखाता है कि व्यंग्य का पता कैसे लगाया जाता है और यह तंत्रिका नेटवर्क व्यंग्य डिटेक्टर का लिंक भी प्रदान करता है।

सरकस्म को चुभने वाले मजाक, या विडंबना के रूप में देखा जा सकता है। व्यंग्य के उदाहरण: "मैं गरीब रहने के लिए सप्ताह में 40 घंटे काम करता हूं," या "यदि रोगी वास्तव में जीना चाहता है, तो डॉक्टर शक्तिहीन हैं।"

व्यंग्य को समझने और उसका पता लगाने के लिए, घटना से जुड़े तथ्यों को समझना महत्वपूर्ण है। यह उद्देश्य ध्रुवीयता (आमतौर पर नकारात्मक) और व्यंग्यात्मक विशेषताओं के बीच एक विरोधाभास को लेखक द्वारा व्यक्त किया गया है (आमतौर पर सकारात्मक)।

उदाहरण पर विचार करें: "मुझे बिदाई का दर्द पसंद है।"
इस कथन में व्यंग्य है तो इसका अर्थ समझना मुश्किल है। इस उदाहरण में, "मुझे दर्द पसंद है" लेखक द्वारा व्यक्त की गई भावनाओं का ज्ञान देता है (इस मामले में, सकारात्मक), और "बिदाई" विरोधाभासी भावना (नकारात्मक) का वर्णन करता है।

व्यंग्यात्मक कथनों की समझ में मौजूद अन्य समस्याएं कई घटनाओं का संदर्भ हैं और बड़ी संख्या में तथ्यों, सामान्य ज्ञान और तार्किक तर्क को निकालने की आवश्यकता है।

आदर्श

एक "मनोदशा बदलाव" अक्सर संचार में मौजूद होता है जहां व्यंग्य होता है; इस प्रकार, मूड के संकेतों को निकालने के लिए पहले एक मूड मॉडल (CNN पर आधारित) तैयार करना प्रस्तावित है। मॉडल पहली परतों में स्थानीय सुविधाओं का चयन करता है, जो तब उच्च स्तर पर वैश्विक सुविधाओं में बदल जाते हैं। व्यंग्यात्मक अभिव्यक्तियाँ उपयोगकर्ता-विशिष्ट होती हैं - कुछ उपयोगकर्ता दूसरों की तुलना में अधिक व्यंग्य करते हैं।

व्यंग्य का पता लगाने के लिए प्रस्तावित मॉडल में उपयोग किया जाता है, व्यक्तित्व लक्षण, मनोदशा के संकेत और भावनाओं के आधार पर संकेत। डिटेक्टरों का एक समूह एक ढाँचा है जिसे व्यंग्य का पता लगाने के लिए डिज़ाइन किया गया है। विशेषताओं के प्रत्येक सेट का अध्ययन पूर्व-प्रशिक्षित मॉडल द्वारा किया जाता है।

CNN फ्रेमवर्क

सीएनएन वैश्विक विशेषताओं को उजागर करने के लिए स्थानीय विशेषताओं के पदानुक्रम को मॉडलिंग करने में प्रभावी हैं, जो संदर्भ की जांच करना आवश्यक है। इनपुट डेटा को शब्द वैक्टर के रूप में प्रस्तुत किया जाता है। इनपुट डेटा के प्रारंभिक प्रसंस्करण के लिए, Google से word2vec का उपयोग किया जाता है। वैक्टर के पैरामीटर प्रशिक्षण चरण में प्राप्त किए जाते हैं। फ़ंक्शंस बनाने के लिए फ़ंक्शंस मैप्स पर अधिकतम यूनियन लागू किया जाता है। पूरी तरह से बंधी हुई परत के बाद, अंतिम भविष्यवाणी प्राप्त करने के लिए एक सॉफ्टमैक्स परत होती है।

आर्किटेक्चर को नीचे दिए गए चित्र में दिखाया गया है।



अन्य विशेषताओं को प्राप्त करने के लिए - मूड (एस), भावना (ई), और व्यक्तित्व (पी) -सीएनएन मॉडल प्रारंभिक प्रशिक्षण से गुजरते हैं और व्यंग्य डेटा सेट से लक्षण निकालने के लिए उपयोग किया जाता है। प्रत्येक मॉडल के प्रशिक्षण के लिए, विभिन्न प्रशिक्षण डेटा सेट का उपयोग किया गया था। (अधिक जानकारी के लिए दस्तावेज़ देखें)

दो क्लासीफायर का परीक्षण किया जाता है - शुद्ध CNN- क्लासिफायर (CNN) और CNN- एक्सट्रैक्टेड विशेषताओं को SVM क्लासिफायर (CNN-SVM) को पास किया जाता है।

एक अलग बेसिक क्लासिफायर (B) भी प्रशिक्षित किया गया है, जिसमें केवल CNN मॉडल शामिल है, अन्य मॉडलों के शामिल किए बिना (उदाहरण के लिए, भावनाओं और मनोदशाओं)।

प्रयोगों

डाटा। संतुलित और असंतुलित डेटा सेट (Ptacek et al।, 2014) और एक व्यंग्य डिटेक्टर से प्राप्त किए गए थे। उपयोगकर्ता नाम, URL और हैश टैग हटा दिए जाते हैं, फिर NLTK ट्विटर टोकन लागू किया जाता है।

सभी डेटा सेटों पर लागू CNN और CNN-SVM क्लासिफायर दोनों के मेट्रिक्स नीचे दी गई तालिका में दिखाए गए हैं। आप देख सकते हैं कि जब एक मॉडल (विशेष रूप से, सीएनएन-एसवीएम) व्यंग्य के संकेतों, भावनाओं, भावनाओं और चरित्र लक्षणों के संकेतों को जोड़ती है, तो यह आधार मॉडल (बी) के अपवाद के साथ अन्य सभी मॉडलों को पार करता है।



मॉडलों की सामान्यता की संभावनाओं का परीक्षण किया गया था, और मुख्य निष्कर्ष यह था कि यदि डेटा सेट प्रकृति में भिन्न थे, तो इससे परिणाम पर काफी प्रभाव पड़ा, जो नीचे दिए गए आंकड़े में दिखाया गया है। उदाहरण के लिए, डेटासेट 1 पर प्रशिक्षण आयोजित किया गया और डेटासेट 2 पर परीक्षण किया गया; मॉडल का एफ 1-स्कोर 33.05% था।