تحلیل احساسات پیشرفته نظرات تجارت الکترونیک فارسی با بهرهگیری از هستانشناسی و ParsBERT

تحلیل احساسات نظرات کاربران در سامانه های تجارت الکترونیک فارسی، به ویژه در دسته بندی سه گانه ی مثبت، منفی، و خنثی، به دلیل پیچیدگی های زبانی و ابهام مفهومی با چالش های متعددی مواجهه است. در این پژوهش، یک روش ترکیبی بهره گیری از یک هستانشناسه ی اختصاصی و مدل زبانی ParsBERT برای تحلیل احساسات این نظرات ارائه شد. هستانشناسه ی طراحی شده مفاهیم کلیدی مانند کیفیت، قیمت، ارسال، دوام، طراحی، خدمات، و احساسات عمومی را پوشش داده و داده های متنی پیش از ورود به مدل با فرآیندهایی نظیر نرم افزاری، حذف کلمات پرتکرار، ریشه یابی، و شناسایی واژگان تقویت کننده ی احساسات پاسخی و ساختاردهی شدهد به رای کاهش وابستگی صحه به پیش بینی های ParsBERT، هستانشناسی به اصلاح برچسب ها کمک کرد؛ به گونه ای که جمله هایی با کلمات منفی به "منفی" و جملاتی با ترکیب کلمات مثبت و منفی به "خنثی" تغییر یافتند. مدل با ۱۹۹۲۷ نمونه متنی از نظرات کاربران و با استفاده از GPU آموزش داده شد. نتایج نشان داد که دقت کلی مدل به ۶۸.۰ رسید و F۱-score برای دسته ی خنثی (که شناسایی آن معمولا دشوار است) به ۸۶.۰ ارتقاء یافت، در حالی که در روش بدون هستانشناسی این مقدار ۸۸.۰ بود. همچنین، F۱-score برای احساسات منفی و مثبت به ترتیب به ۶۶.۰ و ۸۰.۰ بهبود یافت. استفاده از GPU و بهینه سازی Mixed Precision سرعت آموزش را ۴ برابر افزایش داد (از ۹.۳۹ به ۱۷ نمونه در ثانیه). این روش می تواند بهبود معناداری در تحلیل خودکار نظرات کاربران در حوزه تجارت الکترونیک فراهم آورد و به تصمیم گیری بهتر مدیران این پلتفرم ها کمک کند.

کلیدواژه ها:

تحلیل احساسات ، تجارت الکترونیک ، هستانشناسی ، ParsBERT ، پردازش زبان طبیعی