تحلیل احساسات توییت های مشتریان با استفاده از ترکیب تعبیه کلمات عمیق

با گسترش شبکه های اجتماعی، حجم عظیمی از داده های متنی توسط کاربران تولید می شود که تحلیل آن ها می تواند اطلاعات ارزشمندی در حوزه های مختلف فراهم آورد. یکی از مهم ترین حوزه ها در این زمینه، تحلیل احساسات کاربران نسبت به محصولات، خدمات و رویدادهاست. در این مقاله، یک چارچوب جدید برای تحلیل احساسات توییت های مشتریان ارائه شده است که ترکیبی از تعبیه کلمات عمیق و الگوریتم های یادگیری ماشین را به کار می گیرد. در مرحله استخراج ویژگی، از چهار مدل مشهور تعبیه کلمه شامل BERT، ELMO، Word۲Vec و GloVe استفاده شده است که با استفاده از شبکه های LSTM به صورت همزمان آموزش داده شده و خروجی آن ها با هم ترکیب شده اند. سپس با استفاده از روش کاهش ابعاد PCA، ویژگی های استخراج شده به مولفه های اصلی تبدیل شده و به طبقه بندهای مختلفی چون SVM، Random Forest، XGBoost، LightGBM و ... داده شده اند. برای ارزیابی چارچوب پیشنهادی، از مجموعه داده های توییت های مربوط به شش شرکت هواپیمایی آمریکا(Twitter US Airline Sentiment) استفاده شده است. نتایج نشان می دهد که ترکیب تعبیه کلمات عمیق با طبقه بندهای قدرتمند، دقت تحلیل احساسات را به طور قابل توجهی افزایش داده است. روش پیشنهادی با عملکرد بهتر نسبت به سایر روش های متداول، می تواند به عنوان ابزار موثری در سیستم های نظارت و تحلیل بازخورد مشتریان مورد استفاده قرار گیرد.

کلیدواژه ها:

تحلیل احساسات ، تعبیه کلمات عمیق ، شبکه های عصبی ، یادگیری ماشین ، توییتر