Browsing by Author "MAATALLAH Abdallah"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Text-Based Emotion Detection using RNN
    (المركز الجامعي إليزي - معهد العلوم، قسم الإعلام الآلي, 2025-06-29) CHEKAIEM Abdelfattah; MAATALLAH Abdallah; Advisors: • Mr. Messikh Chouaib
    The availability of vast amounts of multimedia data and its widespread applications, along with automatic sentiment analysis and sentiment classification in text, has become a compelling research topic among researchers. The state of the text and the contextual state between adjacent phrases play a significant role in analyzing and detecting sentiments in text. In this study, a method based on Recurrent Neural Networks (RNNs) was developed to capture the textual state and contextual relationships between phrases, employing layers such as LSTM, GRU, and an attention mechanism. First, textual data is passed to an LSTM layer, then to an attention mechanism and a GRU layer. Finally, their outputs are integrated to extract sentiments. The proposed model is evaluated using two metrics: Accuracy and F1-score. The numerical results demonstrate that the proposed method achieves outstanding performance in detecting sentiments from text, with a detection rate of 97.22% and a classification accuracy of 98.02%. إن توفر كميات هائلة من البيانات المتعددة الوسائط وتنوع تطبيقاتها، إلى جانب التحليل التلقائي للمشاعر وتصنيفها في النصوص، جعلا من هذا المجال موضوعًا بحثيًا مثيرًا للاهتمام لدى الباحثين. تلعب حالة النص والسياق بين العبارات المتجاورة دورًا مهمًا في تحليل المشاعر واكتشافها في النص. في هذه الدراسة، تم تطوير طريقة تعتمد على الشبكات العصبية التكرارية (RNN) لالتقاط الحالة النصية والعلاقات السياقية بين العبارات، باستخدام طبقات مثل LSTM وGRU وآلية الانتباه (Attention).في البداية، يتم تمرير البيانات النصية إلى طبقة LSTM، ثم إلى آلية الانتباه، وبعدها إلى طبقة GRU. وأخيرًا، يتم دمج مخرجات هذه الطبقات لاستخلاص المشاعر. تم تقييم النموذج المقترح باستخدام معيارين: الدقة (Accuracy) ومتوسط التوازن (F1-score). وتُظهر النتائج العددية أن الطريقة المقترحة تحقق أداءً متميزًا في اكتشاف المشاعر من النصوص، بمعدل اكتشاف بلغ 97.22٪ ودقة تصنيف بلغت 98.02٪.