Dynamic Memory Networks per la Sentiment Analysis: studio e sperimentazione in ambito Deep Learning

L’argomento principale della tesi è la progettazione di un classificatore di recensioni relative a prodotti commerciali, caratterizzate da linguaggi e contesti differenti, utilizzando lo stato dell’arte in ambito Deep Learning, rappresentato dalle reti neurali artificiali Dynamic Memory Networks Plus, e tecniche di Transfer Learning in compiti di in-domain e cross-domain sentiment classification. Quest’ultima tecnica consiste nel valutare pareri positivi o negativi di un certo dominio, detto target, utilizzando la conoscenza estratta da un dominio sorgente eterogeneo nel linguaggio. La motivazione delle tecniche cross-domain è il superamento della costosa preclassificazione di numerosi esempi altrimenti operata da un esperto umano. Soluzioni altamente scalabili sono state largamente applicate solamente in compiti di classificazione in-domain, utilizzando documenti appartenenti allo stesso dominio, nonostante l’area di ricerca del Transfer Learning sia di grande interesse in termini economici da parte di numerose aziende. Questa tesi mira ad analizzare l’efficacia di applicazione di tecniche di Deep Learning prevalentemente tramite Dynamic Memory Networks Plus modellando i problemi di classificazione come compiti di Question Answering, e negli esperimenti In-Domain anche attraverso l’uso di Convolutional Neural Networks per la Sentiment Classification. I risultati ottenuti verranno confrontati con esperimenti di classificazione analoghi eseguiti attraverso l’utilizzo di reti Dynamic Memory Network originali e Long-Short-Term-Memory per dimostrare come l’applicazione delle architetture CNN e DMN+ migliori effettivamente i risultati precedentemente ottenuti in questo ambito.