تحلیل تجربی و ارتقای دقت سیستم های توصیه گر مبتنی بر محتوای کاربر با استفاده از روش های یادگیری عمیق

تحلیل احساسات به عنوان یکی از اصلی ترین شاخه های پردازش زبان طبیعی، توانسته است به ابزار موثری برای تحلیل متون آنالین و شناسایی نظرات و احساسات کاربران تبدیل شود. این کاربرد به ویژه در سیستم های پیشنهاددهنده، بهبود تجربه کاربری، و تحلیل بازخوردهای عمومی از محصولات و خدمات، نقش کلیدی ایفا می کند. هدف این تحقیق، ارزیابی و مقایسه عملکرد دو مدل پیشرفته یادگیری عمیق، یعنی LSTM و BERT، در تحلیل احساسات و طبقه بندی نظرات کاربران است. برای این منظور، از یک مجموعه داده متوازن شامل ۱۰۰۰۵ نظر کاربری استفاده شده که به طور برابر در دو دسته مثبت و منفی تقسیم شده اند. این داده ها پس از انجام مراحل پیش پردازش شامل حذف نویزهای متنی، حذف کلمات توقف، و تبدیل متون به بردارهای عددی برای آموزش و ارزیابی مدل ها به کار گرفته شدند. نتایج آزمایش ها نشان داد که مدل BERT به دلیل توانایی خود در درک عمیق تر از زمینه و روابط معنایی بین کلمات، نسبت به مدل LSTM در طبقه بندی احساسات و تحلیل متون پیچیده تر عملکرد بهتری از خود نشان داد. این تحقیق نشان دهنده ظرفیت بالای مدل های یادگیری عمیق در تحلیل احساسات و همچنین بهبود سیستم های پیشنهاددهنده است. در نهایت، این مطالعه به تشریح راهکارهایی برای تحقیقات آینده در حوزه پردازش زبان طبیعی و تحلیل احساسات می پردازد و پیشنهاداتی در زمینه استفاده از مدل های پیشرفته تر و تحلیل چندزبانه داده ها برای بهبود دقت مدل ها و کاربردهای آن ها در محیط های چندزبانه ارائه می دهد.

کلیدواژه ها:

سیستم های توصیه گر ، یادگیری عمیق ، پردازش متن ، NLP