A Transfer Learning-Based Approach for Arabic Sentiment Analysis

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

Arabic sentiment analysis is a critical task in natural language processing (NLP)that involves identifying and classifying sentiments expressed in Arabic text.Its complexity arises from the language’s rich morphology, widespread dialectal variation, and frequent use of figurative expressions such as sarcasm. Although traditional machine learning models have contributed to the field of NLP, they often fail to capture these linguistic subtleties, limiting their effectiveness in real-world applications.This dissertation introduces two novel transfer learning architectures to advance Arabic sentiment analysis: a multimodal framework and a multi-task learning(MTL) framework. The first architecture combines textual representations frompre-trained Arabic transformer models with tabular categorical and numerical features to form a multimodal input. Evaluated on the ArSenTD-Lev dataset,this approach demonstrates that incorporating heterogeneous modalities enhances sentiment classification performance.The second architecture employs an MTL strategy that simultaneously performs sentiment classification, sarcasm detection, and dialect identification using a shared transformer encoder and task-specific decoders. By leveraging shared contextual knowledge and inter-task Interrelatedness, the MTL model enhances generalization and reduces overfitting. Empirical results across benchmark datasets, including Ar Sarcasm, ArSenTD-Lev, ASTD, and NADI, validate the superior performance of the proposed MTL model over conventional single-task baselines.Collectively, the multimodal and MTL frameworks contribute to a unified and scalable solution for Arabic sentiment analysis. The dissertation concludes by outlining future research directions, including hierarchical task modeling, task-specific attention mechanisms, and the direct integration of tabular features intoMTL architectures to further enhance task interaction and model interpretability.

روابط وملفات

التعريف والنوع

رقم الوثيقة

fa7e5c65-deba-4b2f-8f42-d9d489b431c2

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل دكتوراة

نوع الملف

pdf text

أسماء الملفات

1094127_1.pdf

بيانات النشر

ألقاب المؤلفين

[{"name_ar":"Bachir Said","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Mohammed Elsadiq Barmati","title_ar":"اعداد","title_en":"Preparation"}]

اللغة

English

المصدر والدورية

اسم المصدر

A Transfer Learning-Based Approach for Arabic Sentiment Analysis

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

L’analyse des sentiments en arabe constitue une tâche essentielle du traitement automatique du langage naturel (TALN), consistant à identifier et à classifier les émotions exprimées dans les textes arabes. Sa complexité découle de la richesse morphologique de la langue, de la grande diversité dialectale et de l’usage fréquent d’expressions figuratives telles que le sarcasme. Les modèles traditionnels d’apprentissage automatique peinent souvent à saisir ces subtilités linguistiques, limitant ainsi leur efficacité dans des contextes d’application réels.Cette thèse propose deux architectures novatrices basées sur l’apprentissage par transfert pour faire progresser l’analyse des sentiments en arabe : un cadre multimodal et un cadre d’apprentissage multi-tâches (MTL).La première architecture intègre des représentations textuelles extraites de modèles transformeurs pré-entraînés en arabe avec des caractéristiques tabulaires catégorielles et numériques, constituant une entrée multimodale. Évaluée sur le jeu de données Ar SenTD-Lev, cette approche démontre que l’inclusion de modalités hétérogènes améliore les performances de classification des sentiments.La seconde architecture adopte une stratégie MTL permettant d’apprend resimultanément la classification des sentiments, la détection du sarcasme et l’identifi-cation des dialectes à travers un encodeur transforme ur partagé et des décodeurs spécifiques à chaque tâche. En tirant parti de connaissances contextuelles partagées et des synergies inter-tâches, le modèle MTL favorise une meilleure généralisation et atténue le surapprentissage. Les résultats empiriques sur les jeux de données Ar Sarcasm, ArSenTD-Lev, ASTD et NADI valident la supériorité du modèle MTL proposé par rapport aux approches mono-tâche classiques.Les approches multimodale et MTL forment une solution unifiée pour l’analyse des sentiments en arabe. En conclusion, la thèse suggère des recherches futures, telles que la modélisation hiérarchique des tâches et l’intégration de données tabulaires pour améliorer l’interprétation et l’interaction entre tâches.

كلمات الباحثين

Arabic sentiment analysis - Arabic sarcasm detection - Multi-task learning - Multimodal data - machine learning - transfer learning - Deep learning

إشراف وإعداد

الإشراف

Bachir Said

الإعداد

Mohammed Elsadiq Barmati

الاقتباسات الببليوغرافية