بهبود تحلیل احساسات نظرات مشتریان با استفاده از شبکه کپسول

تحلیل احساسات ابزاری ارزشمند در حوزه هوش تجاری است و به طور خاص برای تحلیل بازخوردها و دیدگاه های مشتریان در وبسایت های آمازون و Yelp کاربرد دارد. در سالهای اخیر، مدل های یادگیری عمیق موجب پیشرفت های قابل توجهی در وظیفه تحلیل احساسات شده اند. این پژوهش مدل ترکیبی یادگیری عمیق BERT-BiGRU-MHSA-CapsNet را معرفی می کند که به منظور بهبود تشخیص احساسات نظرات متنی مشتریان در وبسایت های Yelp و Amazon طراحی شده است. این رویکرد نوین از مدل پیش آموزش دیده برت برای ایجاد تعبیه های کلمات آگاه از زمینه، از شبکه BiGRU به همراه سازوکار خودتوجه چندسر (MHSA) برای به دست آوردن نمایش های معنایی توالی های متنی و به دنبال آن از شبکه کپسول به منظور دریافت موثر اطلاعات مکانی و ترتیب کلمات و در نهایت تشخیص احساس متن استفاده می کند. عملکرد مدل با استفاده از معیارهای امتیاز Accuracy و Macro-average F۱ مورد ارزیابی قرار گرفت و نتایج بهتری را در مقایسه با بسیاری از مطالعات قبلی برای مجموعه داده های Yelp ۲۰۱۵ و Amazon نشان داد. قابل ذکر است که روش ارائه شده توسط پژوهش حاضر برای مجموعه داده های Yelp ۲۰۱۵ و Amazon به ترتیب به دقت ۸۶ و ۵۱.۷۵ درصد دست یافته است.

کلیدواژه ها:

تحلیل احساسات ، شبکه کپسول ، نظرکاوی ، یادگیری عمیق