Název: Graph Convolutional Neural Networks For Sentiment Analysis
Autoři: Myska, Vojtech
Typ dokumentu: Příspěvky z konference
Jazyk: eng
Nakladatel: Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií
Abstrakt: 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.
Klíčová slova: deep learning; graph neural networks; sentiment analysis
Zdrojový dokument: Proceedings I of the 26st Conference STUDENT EEICT 2020: General papers, ISBN 978-80-214-5867-3

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: http://hdl.handle.net/11012/200592

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-447644


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Vysoké učení technické v Brně
Konferenční materiály > Příspěvky z konference