يعتبر تصنيف القطبية أو تحليل المشاعر أحد مهام تنقيب البيانات الذي يميز بين فئات الأقطاب (اثنان وثلاثة وخمسة) من الآراء التي تركز على درجة المشاعر (مثل الإيجابية والسلبية لقطبين؛ والإيجابية، المحايدة، والسلبية لثلاثة أقطاب) التي قد يحتوي عليها النص. تم تطبيق أساليب محدودة للشبكات العصبية العميقة على اللهجات العربيه . من ناحية أخرى، تعتبر خوارزميات التعلم الآلي التقليدية (ML) التي تعتمد على الميزات المستخرجة يدويًا صعبه وتستغرق وقتا طويلا، حيث تحتوي اللغة العربية على لهجات متعددة ولا يوجد ترتيب قائم على الكلمات. ولذلك، فإن عملية استخراج ميزات مثل المعلومات النحوية والمعجمية أكثر صعوبة بالنسبة للهجات العربيه .
وفقًا للدراسات السابقه، كان أفضل أداء مسجل و الأكثر استخدامًا نموذج التعلم العميق لتحليل المشاعر للغه العربية هو الشبكة العصبية التلافيفية. (CNN)تعتمد نماذج الشبكة التلافيفية الحالية على بنية تلافيفية واسعة معتمده على هيكلة ضعيفة غير قادرة على تمثيل معلومات المشاعر بالكامل في تسلسل النص وتؤدي إلى ضعف اكتشاف معلومات الآراء والمشاعر المشاعر المتضمنه في النصوص العربيه. لذلك، تم اقتراح شبكة عصبية تلافيفية ذات هيكلة عميقه (NCNN) لاستخراج معلومات المشاعر الشاملة لتسلسل النص من خلال تعظيم نطاق اكتشاف الميزة، مما يعطي أهمية موحدة كبيرة للكلمات ويحسن الأداء النهائي لمهام تصنيف اللهجات العربية (قطبين وثلاثة أقطاب). ). تحقق NCNN أدائها الأمثل عندما يتم تنظيمها بواسطة ثلاث طبقات تلافيفية. تم إجراء تحليل الحساسية لتقييم تأثير مجموعات مختلفة من المعلمات الهيكلية الفائقة لـ NCNN، مثل حجم التجميع، والمرشحات، وعدد المرشحات التلافيفية على أداء التصنيف. حققت NCNN المقترحة متوسط استدعاء كلي أعلى (R) وتفوقت على Naive Bayes (NB) في المهمة A (ثلاثة أقطاب) ونموذج التصويت في المهمة B (قطبين) في مجموعة بيانات Twitter باللهجة العربية SemEval-2017 بالإضافة إلى ذلك، يتفوق نموذج NCNN على CNN-ASWAR في مجموعة بيانات تغريدات المشاعر العربية (ASTD) مع درجة F1 أعلى.
تلعب كلمات النفي في اللغة العربية دوراً هاماً في SA. قد تتسبب كلمات النفي في عكس سياق الجملة. حتى الآن، لم يتم بذل أي جهد للتعامل مع سياق النفي باللغة العربية باستخدام شبكة عصبية عميقة. تعتمد الأساليب الحالية على خوارزميات التعلم الآلي التقليدية، مثل آلة المتجه الدعم (SVM) إلا أن هذه المقاربات لم تأخذ بعين الاعتبار كلمات النفي في اللهجة العربية. بالإضافة إلى ذلك، تعتمد هذه الأساليب على ميزات ومفردات خاصة بالمجال، والتي قد لا تعمل مع المجالات الأخرى.
لقد حظيت مشكلة التصنيف الترتيبي (الأقطاب الخمسة) بالاهتمام في تحليل المشاعر العربية. تعتمد معظم الأساليب المطبقة على التعلم بمهمة واحدة (STL) باستخدام خوارزميات التعلم الآلي، مثل الانحدار اللوجستي (LR) والنموذج الهرمي (HC) استنادًا إلى نهج divide and conquer. ومع ذلك، تعتمد هذه الأساليب على تمثيل الجملة البسيطة. علاوة على ذلك، تعتمد هذه النماذج على التعلم بمهمة واحدة (STL) وتفتقر إلى القدرة على تعلم النسبية بين المهام المختلفة (النقل عبر المهام) ونمذجة عدة قطبيات بشكل مشترك، مثل ثلاثة وخمسة. لذلك، تم اقتراح نموذج يسمى التعلم متعدد المهام استنادًا إلى الشبكة العصبية التلافيفية الهرمية (MTL-CHAN)، التي تتكون من (1) شبكات تشفير الكلمات المشتركة وشبكات انتباه الكلمات عبر مهام التصنيف، (2) طبقات خاصة بالمهمة ذات شبكات عصبية تلافيفية الاهتمام القائم على الشبكة (CNNA) على مستوى الجملة؛ التعامل مع كلمات النفي العربية الصريحة وتحسين أداء التصنيف من خلال التدريب على مهام التصنيف العربي (الثنائي، الثلاثي، والخمسي) بشكل مشترك. أظهرت النتائج التجريبية أداءً متميزًا لنموذج MTL-CHAN المقترح، بدقة عالية تبلغ 89.85%، 84.69%، 85.90 على مجموعات البيانات HARD، LABR، وBRAD، على التوالي، وارتفاع متوسط (R) بنسبة 0.680% و0.810%. على مجموعات بيانات اللهجات العربية ، المهمة A وB على التوالي. كما حقق النموذج المقترح أعلى دقة بلغت 95.25%، 87.75%، 86.01%، 90.95% على مجموعات بيانات HTL، PROD، MOV، وRES، على التوالي.