Análise de Desempenho de Redes Neurais Artificiais em Plataformas CPU e GPU Aplicadas no Reconhecimento de Sentimentos em Textos

  • Cristiano Künas UNIJUÍ
  • Leandro Heck UNIJUÍ
  • Edson Padoin UNIJUÍ

Resumo


Atualmente, circulam pela internet imensas quantidades de informações com todo tipo de conteúdo. Analisar os sentimentos expostos pode auxiliar no entendimento do que as pessoas estão falando sobre uma determinada empresa, marca, evento ou até mesmo sobre outras pessoas, funcionando como uma forma de se obter feedback. Neste trabalho, apresentamos um modelo de Rede Neural Artificial para análise de sentimentos em sentenças para o idioma Inglês. Foi implementado a Rede Neural Artificial Recursiva Long Short-Term Memory para o treinamento do modelo de análise de sentimentos. Com a aplicação da RNA desenvolvida sobre uma base de dados pública com 50.000 registros de filmes utilizando GPU foi possível reduzir o tempo de treinamento de RNAs em até 91,8% e aumentar a acurácia para 87,7%.

Referências

Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G. S., Davis, A., Dean, J., Devin, M., et al. (2016). Tensorow: Large-scale machine learning on heterogene- ous distributed systems. arXiv preprint arXiv:1603.04467.

dos Santos, I. P. P. (2017). Análise de sentimento usando redes neurais de convolução. Dissertação (Mestrado em Engenharia Eletrônica), Universidade do Estado do Rio de Ja- neiro, Rio de Janeiro, Brazil.

Hu, Z., Hu, J., Ding, W., and Zheng, X. (2015). Review sentiment analysis based on deep learning. In 2015 IEEE 12th International Conference on e-Business Engineering, pages 87–94. IEEE.

Li, C., Xu, B., Wu, G., He, S., Tian, G., and Hao, H. (2014). Recursive deep learning for sentiment analysis over social data. In 2014 IEEE/WIC/ACM International Joint Conferences on Web Intelligence (WI) and Intelligent Agent Technologies (IAT), volume 2, pages 180– 185. IEEE.

Liu, B. et al. (2010). Sentiment analysis and subjectivity. Handbook of natural language processing, 2(2010):627–666.

Maas, A. L., Daly, R. E., Pham, P. T., Huang, D., Ng, A. Y., and Potts, C. (2011). Learning word vectors for sentiment analysis. In Proceedings of the 49th annual meeting of the association for computational linguistics: Human language technologies-volume 1, pages 142–150. As- sociation for Computational Linguistics.

Moolayil, J. (2019). An introduction to deep learning and keras. In Learn Keras for Deep Neural Networks, pages 1–16. Springer.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.

Rossum, G. (1995). Python reference manual. Technical report, CWI (Centre for Mathematics and Computer Science), Amsterdam, NLD.

Walker, M. A., Anand, P., Abbott, R., Tree, J. E. F., Martell, C., and King, J. (2012). That is your evidence?: Classifying stance in online political debate. Decision Support Systems, 53(4):719–729.
Publicado
21/10/2020
KÜNAS, Cristiano; HECK, Leandro; PADOIN, Edson. Análise de Desempenho de Redes Neurais Artificiais em Plataformas CPU e GPU Aplicadas no Reconhecimento de Sentimentos em Textos. In: WORKSHOP DE INICIAÇÃO CIENTÍFICA - SIMPÓSIO EM SISTEMAS COMPUTACIONAIS DE ALTO DESEMPENHO (SSCAD), 21. , 2020, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 1-7. DOI: https://doi.org/10.5753/wscad_estendido.2020.14082.