عقیده‌کاوی در زبان فارسی مبتنی بر یادگیری انتقالی

 در دهه گذشته بررسی عقاید، احساسات و هم­چنین گرایش­های انسان‌ها نقش موثری در تصمیم­گیری مدیران و افراد داشته است. الگوریتم­های یادگیری ماشین نقش مهمی در زمینه عقیده­کاوی دارند، اما از یک مشکل بزرگ رنج می­برند: اغلب الگوریتم­های یادگیری ماشین فرض می­کنند که ابعاد ویژگی و توزیع داده­ها یکسان است، اما بسیاری از کاربردهای واقعی از این فرضیات تبعیت نمی­کنند. در واقع، داده­هایی که الگوریتم در آینده دریافت می­کند ممکن است دارای ابعاد و ویژگی متفاوت و یا از توزیع دیگری باشند. در این مقاله با استفاده از یادگیری انتقالی و با تاکید بر انتقال ویژگی، روشی نوین را برای بهبود استخراج احساسات و مفاهیم موجود در عقاید ارائه می‌دهیم. در روش پیشنهادی، ابتدا ویژگی یا موضوع عقاید در دامنه زبانی مبدأ شناسایی شده و با جمع­آوری صفات، قیدها و به‌طورکلی بسته­ای از احتمالاتی که ممکن است برای یک ویژگی رخ دهد و ترجمه آن به زبان مقصد، یادگیری از زبان مبدأ به زبان مقصد انتقال می­یابد. بررسی روش پیشنهادی روی داده­های موجود در فروشگاه اینترنتی آمازون به‌عنوان دامنه مبدأ نشان می­دهد با ایجاد الگوی انتقال ویژگی روی عقاید به زبان انگلیسی، می­توان قطبیت موجود در 77 درصد نظرات که به زبان فارسی ثبت ‌شده (در فروشگاه دیجی­کالا) را کشف نمود که نسبت به روش­های SCL، SFA و TCA به­ترتیب 9، 5 و 5 درصد افزایش بازدهی را نشان می­دهد. 

کلیدواژه ها:

عقیده‌کاوی ، یادگیری انتقالی ، انتقال ویژگی ، قطبیت