University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Dhai Eddine Kadour |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Arabic Sentiment Analysis Using Deep Learning Type de document : texte imprimé Auteurs : Dhai Eddine Kadour, Auteur ; Mohamed Assil Habib ; Mediani,Chahrazed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (57 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Sentiment Analysis
Deep Learning
Dataset
Algorithm
Preprocessing,
Machine Learning.Index. décimale : 004 - Informatique Résumé :
Natural Language Processing (NLP) is a field of technology that focuses on the
interaction between computers and human language. By training algorithms with
datasets, machines can understand and interpret human language. This technique
allows us to ascertain an author’s stance and opinions on various topics using
deep learning algorithms. In this study, we utilized deep learning techniques
to classify Arabic dialect texts into tow sentiment categories: positive emotion,
negative emotion .Note de contenu :
Sommaire
General introduction & Problematic 1
1 Arabic Sentiment Analysis and the Arabic Language 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Sentiment Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Fundamental Principles of Sentiment Analysis . . . . . . . . . . . . . 5
1.3.1 Categorization of Feelings . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Sentiment Orientation . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.3 Sentiment Analysis Levels . . . . . . . . . . . . . . . . . . . . . 6
1.4 Sentiment Analysis Applications . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Sentiment Analysis Techniques . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7 Arabic language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7.2 Arabic Dialects . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 AI, Machine Learning, and Deep Learning 13
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Artificial Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2 The Mechanics of AI . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.2 Machine learning algorithms . . . . . . . . . . . . . . . . . . . . 17
2.4 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Deep Learning Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5.1 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . 18
2.5.2 Long Short-Term Memory (LSTMs) . . . . . . . . . . . . . . . . 19
2.6 Deep Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6.1 Convolutional Neural Network (CNN) . . . . . . . . . . . . . . . 21
2.6.2 Deep Belief Networks (DBNs) . . . . . . . . . . . . . . . . . . . . 21
2.6.3 Recursive Neural Network (RNN) . . . . . . . . . . . . . . . . . . 21
2.6.4 Autoencoders . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Some Applications in real life . . . . . . . . . . . . . . . . . . . . . . . . 23
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Contribution 24
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Similar Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3 Problematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Data collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.1 Dataset Choice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.5 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.5.1 Data Pre-Processing . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.5.2 Model Architecture . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.5.3 Measurement Methods . . . . . . . . . . . . . . . . . . . . . . . 32
3.5.4 Loss function and Activation function . . . . . . . . . . . . . . 33
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Results 36
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.2 Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.3 Google colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3.1 Deep Learning Models Results . . . . . . . . . . . . . . . . . . . 39
4.3.2 Analysis of the results . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3.3 Discussions: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.4 Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4 Problems we faced . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4.1 Data Collection Issues . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4.2 Complex Models and week HardWare . . . . . . . . . . . . . . . 52
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52Côte titre : MAI/0891 Arabic Sentiment Analysis Using Deep Learning [texte imprimé] / Dhai Eddine Kadour, Auteur ; Mohamed Assil Habib ; Mediani,Chahrazed, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (57 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Sentiment Analysis
Deep Learning
Dataset
Algorithm
Preprocessing,
Machine Learning.Index. décimale : 004 - Informatique Résumé :
Natural Language Processing (NLP) is a field of technology that focuses on the
interaction between computers and human language. By training algorithms with
datasets, machines can understand and interpret human language. This technique
allows us to ascertain an author’s stance and opinions on various topics using
deep learning algorithms. In this study, we utilized deep learning techniques
to classify Arabic dialect texts into tow sentiment categories: positive emotion,
negative emotion .Note de contenu :
Sommaire
General introduction & Problematic 1
1 Arabic Sentiment Analysis and the Arabic Language 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Sentiment Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Fundamental Principles of Sentiment Analysis . . . . . . . . . . . . . 5
1.3.1 Categorization of Feelings . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Sentiment Orientation . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.3 Sentiment Analysis Levels . . . . . . . . . . . . . . . . . . . . . 6
1.4 Sentiment Analysis Applications . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Sentiment Analysis Techniques . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7 Arabic language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7.2 Arabic Dialects . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 AI, Machine Learning, and Deep Learning 13
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Artificial Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2 The Mechanics of AI . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.2 Machine learning algorithms . . . . . . . . . . . . . . . . . . . . 17
2.4 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Deep Learning Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5.1 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . 18
2.5.2 Long Short-Term Memory (LSTMs) . . . . . . . . . . . . . . . . 19
2.6 Deep Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6.1 Convolutional Neural Network (CNN) . . . . . . . . . . . . . . . 21
2.6.2 Deep Belief Networks (DBNs) . . . . . . . . . . . . . . . . . . . . 21
2.6.3 Recursive Neural Network (RNN) . . . . . . . . . . . . . . . . . . 21
2.6.4 Autoencoders . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Some Applications in real life . . . . . . . . . . . . . . . . . . . . . . . . 23
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Contribution 24
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Similar Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3 Problematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Data collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.1 Dataset Choice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.5 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.5.1 Data Pre-Processing . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.5.2 Model Architecture . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.5.3 Measurement Methods . . . . . . . . . . . . . . . . . . . . . . . 32
3.5.4 Loss function and Activation function . . . . . . . . . . . . . . 33
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Results 36
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Development environment . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.2 Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.3 Google colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3.1 Deep Learning Models Results . . . . . . . . . . . . . . . . . . . 39
4.3.2 Analysis of the results . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3.3 Discussions: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.4 Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4 Problems we faced . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4.1 Data Collection Issues . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4.2 Complex Models and week HardWare . . . . . . . . . . . . . . . 52
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52Côte titre : MAI/0891 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0891 MAI/0891 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
