تحلیل احساسات توییت های فارسی چند کلاسه مبتنی بر ترکیب روابط معنایی و ماشین بردار پشتیبان

با رشد تکنولوژی، استفاده از شبکه های اجتماعی محبوبیت بیشتری پیدا کرده است. یکی از محبوب ترین شبکه های اجتماعی پلتفرم توییتر می باشد. تجزیه و تحلیل احساسات توییت های کاربران نقش مهمی در نمایش احساسات کاربران از شرایط موجود جامعه دارد. در سال های اخیر باتوجه به محاوره ای شدن متن های توییت های کاربران تحلیل احساسات را دچار مشکل و باعث کاهش دقت آن شده است؛ همچنین باعث سختی عملیات پردازش زبان طبیعی شده است. در این پژوهش، روشی برای تحلیل احساسات توییت های فارسی مبتنی بر ترکیب روابط معنایی و طبقه بندی ماشین بردار پشتیبان ارائه شده است. برای استخراج ویژگی ها از رابطه معنایی FastText استفاده می شود. باتوجه به اینکه تعداد ویژگی های زیادی استخراج شده است؛ باید آن ها را کاهش داد که این عمل با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) صورت می پذیرد. در بخش آخر روش پیشنهادی برای طبقه بندی احساسات درون توییت ها از مدل ماشین بردار پشتیبان بهره گرفته شده است. معیارهای ارزیابی مورد استفاده در این پژوهش دقت، صحت، فراخوان و معیار F بوده است که نتایج ارزیابی به ترتیب مقادیر ۸۳.۹، ۸۴.۳، ۸۳.۹ و ۸۴ به دست آمده است. نتایج آزمایش ها نشان دهنده کاربردی بودن روش پیشنهادی در تحلیل احساسات توییت های فارسی به شش کلاس عصبانیت، ناراحتی، شادی، انزجار، تعجب برانگیز و ترس است.

کلیدواژه ها:

تحلیل احساسات چندکلاسه ، پردازش زبان طبیعی ، شبکه های عصبی LSTM ، ماشین بردار پشتیبان