Graph convolutional neural networks for sentiment analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F20%3APU136947" target="_blank" >RIV/00216305:26220/20:PU136947 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Graph convolutional neural networks for sentiment analysis

Popis výsledku v původním jazyce

Commonly used approaches based on deep learning for sentiment analysis task operating over data in Euclidean space. In contrast with them, this paper presents, a novel approach for sentiment analysis task based on a graph convolutional neural networks (GCNs) operating with data in Non-Euclidean space. Text data processed by the approach have to be converted to a graph structure. Our GCNs models have been trained on 25 000 data samples and evaluated 5 000 samples. The Yelp data set has been used. The experiment is focused on polarity sentiment analysis task. Nevertheless, a relatively small training data set has been used, our best model achieved 86.12% accuracy.

Název v anglickém jazyce

Graph convolutional neural networks for sentiment analysis

Popis výsledku anglicky

Commonly used approaches based on deep learning for sentiment analysis task operating over data in Euclidean space. In contrast with them, this paper presents, a novel approach for sentiment analysis task based on a graph convolutional neural networks (GCNs) operating with data in Non-Euclidean space. Text data processed by the approach have to be converted to a graph structure. Our GCNs models have been trained on 25 000 data samples and evaluated 5 000 samples. The Yelp data set has been used. The experiment is focused on polarity sentiment analysis task. Nevertheless, a relatively small training data set has been used, our best model achieved 86.12% accuracy.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings I of the 26th Conference STUDENT EEICT 2020

ISBN

978-80-214-5867-3

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

340-344

Název nakladatele

Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií

Místo vydání

Brno

Místo konání akce

BRNO

Datum konání akce

23. 4. 2020

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—