مقایسه مدل های از پیش آموزش داده شده در خلاصه سازی استخراجی نظرات کاربران موبایل

از زمان پیدایش برنامه های موبایل، نظرات کاربران برای توسعه دهندگان برنامه بسیار ارزشمند بوده است چون حاوی احساسات، اشکالات و نیازهای جدید کاربران بوده است. به دلیل حجم بالای نظرات، خلاصه سازی آن ها کار بسیار دشوار و مستعد خطاست. تا کنون کارهای بسیاری در زمینه خلاصه سازی استخراجی نظرات کاربران انجام شده است؛ اما در اکثر پژوهش ها یا از روش های قدیمی یادگیری ماشین و یا پردازش زبان طبیعی استفاده شده است و یا اگر مدلی برای خلاصه سازی با استفاده از مبدل ها آموزش دیده است، مشخص نشده که این مدل برای خلاصه سازی نظرات کاربران موبایل کاربرد دارد یا خیر ؟ به بیان دیگر مدل برای خلاصه سازی متون به صورت عام منظوره ارائه شده و هیچ بررسی برای استفاده از آن در خلاصه سازی های خاص منظوره انجام نشده است . در این مقاله در ابتدا ۱۰۰۰ نظر به صورت تصادفی از پایگاه داده Kaggle مربوط به نظرات کاربران انتخاب شد و سپس به ۴ مدل از پیش آموزش دیده bart_large_cnn، bart_large_xsum، mT۵_multilingual_XLSum و Falcon’sai Text_Summrization برای خلاصه سازی داده شد و معیار های Rouge۱، Rouge۲ و RoungL برای هر کدام از مدل ها به طور جداگانه محاسبه شد و در نهایت مشخص شد که مدل از پیش آموزش دیده Falcon’sAI با امتیاز ۶۴۶۴/۰ در معیار rouge۱ ، امتیاز ۶۱۴۰/۰ در معیار rouge۲ و امتیاز ۶۳۴۶/۰ در rougeL بهترین مدل برای خلاصه سازی نظرات کاربران فروشگاه Play است

کلیدواژه ها:

برنامه های موبایل ، خلاصه سازی نظرات ، آنالیز فروشگاه گوگل ، مدل از پیش آموزش دیده