نموذج العبارات في تحليل المشاعر - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

عند تطبيقها على الجملتين المقسمتين بالمثال الموضح بالأعلى، سيحقق نموذج العبارة النتائج التالية:

imdb_phrase_model[tokenized_sentences[0]]

['the', 'movie', 'was', 'too_long']

imdb_phrase_model[tokenized_sentences[1]]

['i', 'fell_asleep', 'after', 'the', 'first', '2_hours']

يحدد نموذج العبارة ثلاثة عبارات على النحو التالي: fell_asleep (سقط نائمًا)، وtoo_long (طويل جدًّا)، و2_hours (2-ساعة) وجميعها تحمل معلومات أكثر من كلماتها المفردة.

على سبيل المثال، تحمل عبارة too_long (طويل جدًّا) مشاعر سلبية واضحة، على الرغم من أن كلمتي too (جدًّا) وlong (طويل) لا تعبران عن ذلك منفردتين. وبالمثل، فعلى الرغم من أن كلمة asleep (نائم) في مراجعة الفيلم تمثل دلالة سلبية، فالعبارة fell_asleep (سقط نائمًا) توصل رسالة أكثر وضوحًا. وأخيرًا، تستنبط من 2_hours (2-ساعة) سياقًا أكثر تحديدًا من الكلمتين 2 وhours كل على حدة.

تستخدم الدالة التالية إمكانية تحديد العبارات بهذا الشكل لتفسير العبارات في وثيقة معطاة:

def annotate_phrases(doc:str, phrase_model): sentences=tokenize_doc(doc)# split the document into tokenized sentences. tokens=[] # list of all the words and phrases found in the doc for sentence in sentences: # for each sentence # use the phrase model to get tokens and append them to the list. tokens+=phrase_model[sentence] return ' '.join(tokens) # join all the tokens together to create a new annotated document.

يستخدم المقطع البرمجي التالي دالة annotate_phrases() لتفسير كل من تقييمات التدريب والاختبار من مجموعة بيانات IMDB.

# annotate all the test and train reviews. X_train_text_annotated=[annotate_phrases(doc, imdb_phrase_model) for doc in X_ train_text] X_test_text_annotated=[annotate_phrases(text, imdb_phrase_model) for text in X_ test_text]

وزارة التعليم Ministry of Education 2023 - 1447

148

عند تطبيقها على الجملتين المقسمتين بالمثال الموضح بالأعلى، سيحقق نموذج العبارة النتائج التالية:imdb_phrase_model[tokenized_sentences[0]]['the', 'movie', 'was', 'too_long']imdb_phrase_model[tokenized_sentences[1]]['i', 'fell_asleep', 'after', 'the', 'first', '2_hours']يحدد نموذج العبارة ثلاثة عبارات على النحو التالي: fell_asleep (سقط نائمًا)، وtoo_long (طويل جدًّا)، و2_hours (2-ساعة) وجميعها تحمل معلومات أكثر من كلماتها المفردة.على سبيل المثال، تحمل عبارة too_long (طويل جدًّا) مشاعر سلبية واضحة، على الرغم من أن كلمتي too (جدًّا) وlong (طويل) لا تعبران عن ذلك منفردتين. وبالمثل، فعلى الرغم من أن كلمة asleep (نائم) في مراجعة الفيلم تمثل دلالة سلبية، فالعبارة fell_asleep (سقط نائمًا) توصل رسالة أكثر وضوحًا. وأخيرًا، تستنبط من 2_hours (2-ساعة) سياقًا أكثر تحديدًا من الكلمتين 2 وhours كل على حدة.تستخدم الدالة التالية إمكانية تحديد العبارات بهذا الشكل لتفسير العبارات في وثيقة معطاة:def annotate_phrases(doc:str, phrase_model): sentences=tokenize_doc(doc)# split the document into tokenized sentences. tokens=[] # list of all the words and phrases found in the doc for sentence in sentences: # for each sentence # use the phrase model to get tokens and append them to the list. tokens+=phrase_model[sentence] return ' '.join(tokens) # join all the tokens together to create a new annotated document.يستخدم المقطع البرمجي التالي دالة annotate_phrases() لتفسير كل من تقييمات التدريب والاختبار من مجموعة بيانات IMDB.# annotate all the test and train reviews. X_train_text_annotated=[annotate_phrases(doc, imdb_phrase_model) for doc in X_ train_text] X_test_text_annotated=[annotate_phrases(text, imdb_phrase_model) for text in X_ test_text]2023 - 1447--- VISUAL CONTEXT --- **DIAGRAM**: شكل 3.12: المشاعر الإيجابية والسلبية قبل التقسيم وبعده Description: A flow diagram illustrating the process of sentiment analysis and phrase segmentation. It shows how compound phrases are broken down into individual words and how their sentiment or context is determined. The diagram presents three examples: 'too_long', 'fell_asleep', and '2_hours', showing their initial classification and then their segmented components with their respective classifications. Data: The diagram shows three main processing flows: 1. **too_long**: Initially classified as 'سلبي' (negative). It is then 'مقسم' (segmented) into 'long' (محايد - neutral) and 'too' (محايد - neutral). 2. **fell_asleep**: Initially classified as 'سلبي' (negative). It is then 'مقسم' (segmented) into 'asleep' (سلبي - negative) and 'fell' (السياق - context). 3. **2_hours**: Initially classified as 'السياق المحدد' (specific context). It is then 'مقسم' (segmented) into 'hours' (السياق - context) and '2' (السياق - context). Key Values: too_long (سلبي), long (محايد), too (محايد), fell_asleep (سلبي), asleep (سلبي), fell (السياق), 2_hours (السياق المحدد), hours (السياق), 2 (السياق), مقسم Context: This diagram visually explains how a phrase model processes and segments phrases to extract more nuanced information, especially regarding sentiment, by breaking down multi-word expressions into their constituent parts and re-evaluating their individual or contextual meaning. It demonstrates the concept of tokenization and sentiment classification in Natural Language Processing.