بررسی و ارزیابی احساسات اجتماعی کاربران فارسی زبان با استفاده از تحلیل متن و یادگیری عمیق

تحلیل احساسات یکی از تکنیک های کلیدی پردازش زبان طبیعی (NLP) است که به شناسایی و استخراج احساسات و نگرش های موجود در متون می پردازد. این تکنیک در حوزه هایی نظیر شناسایی احساسات عمومی، تحلیل بازخورد مشتریان و بررسی دیدگاه های اجتماعی و سیاسی کاربران، بویژه در شبکه های اجتماعی، کاربرد گسترده ای دارد. پلتفرم هایی مانند اینستاگرام با فراهم کردن بستری برای اشتراک گذاری اطلاعات و احساسات کاربران، منابع ارزشمندی برای تحلیل احساسات به شمار می روند. هدف این پژوهش، تحلیل احساسات کاربران فارسی زبان در شبکه اجتماعی اینستاگرام است.داده های پژوهش شامل ۴۴۴۸ نمونه آموزشی و ۱۴۴۹ نمونه آزمایشی از پست های برنامه تلویزیونی "سال خورشید" بود که از پایگاه داده کنل استخراج شدند. این داده ها نمایانگر تنوع موضوعات اجتماعی، اقتصادی، فرهنگی و غیره بودند. در این پژوهش، مدل های پیشرفته یادگیری عمیق شامل BERT، LSTM و GRU برای تحلیل داده ها به کار گرفته شدند. این مدل ها، به دلیل توانایی در شناسایی الگوهای پیچیده و معانی پنهان در متون، برای تحلیل احساسات مورد توجه قرار دارند. همچنین از دو بهینه ساز RMSprop و Adam برای تنظیم پارامترهای مدل استفاده شد تا عملکرد آن ها مقایسه شود. نتایج نشان داد که مدل GRU با بهینه ساز Adam بهترین عملکرد را در شناسایی احساسات کاربران اینستاگرام داشته است. این یافته ها اهمیت استفاده از مدل های یادگیری عمیق در تحلیل داده های متنی فارسی را تایید می کند. این پژوهش نه تنها به درک عمیق تر دیدگاه ها و نگرش های کاربران فارسی زبان کمک می کند، بلکه می تواند در طراحی ابزارهای هوش مصنوعی برای تحلیل احساسات در سایر زبان ها و محیط های دیجیتال نیز مورد استفاده قرار گیرد.با تحقیق و ارائه مدل های پیشرفته برای تحلیل احساسات فارسی، به گسترش تحقیقات در حوزه پردازش زبان طبیعی و تحلیل داده های متنی در پلتفرم های مختلف کمک می کند و می تواند به عنوان مرجعی معتبر برای مطالعات مشابه مورد استفاده قرار گیرد.

کلیدواژه ها:

تحلیل احساسات ، یادگیری عمیق ، داده های فارسی ، اینستاگرام