عقیده کاوی رای دهندگان انتخابات مبتنی بر الگوریتم های یادگیری عمیق

رشد محتوای تولید شده توسط سیاستمداران در شبکه های اجتماعی باعث افزایش متنهای تولید شده توسط کاربران برای بیان نظرات در مورد رویدادهای مختلف شده است. یادگیری عمیق و یادگیری جمعی از جمله تکنیکها هستند که اخیرا برای عقیده کاوی محبوب شدهاند. هدف از این تحقیق، استفاده از یادگیری عمیق برای آنالیز احساسی دستهبندی نظرات منفی و مثبت شرکت کنندگان در انتخابات جهت حضور در انتخابات و دسته بندی شرکت کنندگان به دو طیف بزرگ اصول گرا و اصلاح طلب میباشد. همچنین در بخش نوآوری میتوان به نقش یادگیری عمیق جمعی به منظور افزایش کارایی و دقت برای آنالیز احساسی نظرات رای دهندگان اشاره نمود. در این تحقیق برای آنالیز و دستهبندی احساسی نظرات کاربران شبکه های اجتماعی ۵۰۰۰۰ متن نظر استفاده شده است. برای پیشپردازش مجموعه دادگان از مرحله های نرمالایز، توکنایز و حذف کلمات توقف استفاده شده است. مدلهای یادگیری عمیق LSTM ،CNN و DNN بر پایه روشهای تعبیه سازی کلمات ساخته شدهاند. در گام بعدبرای بهبود کارایی و دقت در آنالیز احساسی نتایج مدلهای یادگیری عمیق بر اساس یادگیری جمعی و روشهای رای گیری اکثریت و وزندهی ترکیب شدند. نتایج در زمینه شرکت کنندگان انتخابات نشان میدهد، از میان روشهای تعبیه سازی کلمات، FastText و از میان مدلهای یادگیری عمیق، LSTM با دقت ۹۰.۸۶ کارایی بالاتری را برای آنالیز احساسی داشته است. کاندیدهای مختلف می توانند بر اساس عقیده کاوی و تکنیکهای یادگیری عمیق جمعی با نیازمردم در جامعه و سرمایه گذاری مناسب در زمینه تبلیغات بر اساس نظرات کاربران داشته باشند.

کلیدواژه ها:

انتخابات ، عقیده کاوی ، یادگیری عمیق ، یادگیری جمعی ، طبقه بندی رای دهندگان