بررسی و مقایسه الگوریتمهای مبتنی بر یادگیری ماشین و یادگیری عمیق در تحلیل احساسات شبکه های اجتماعی

تحلیل احساسات (Sentiment Analysis) به عنوان یکی از کاربردهای مهم پردازش زبان طبیعی (NLP)، نقش اساسی در درک نظرات و احساسات کاربران در شبکه های اجتماعی ایفا میکند. با گسترش روزافزون محتوای متنی در پلتفرمهایی مانند توییتر، فیسبوک، اینستاگرام و ردیت، نیاز به روشهای خودکار و دقیق برای تحلیل احساسات بیش از پیش احساس میشود. در این مقاله، به بررسی و مقایسه الگوریتمهای مبتنی بر یادگیری ماشین (ML) و یادگیری عمیق (DL) در تحلیل احساسات متون شبکه های اجتماعی پرداخته می شود. ابتدا مبانی نظری و روشهای سنتی یادگیری ماشین مانند SVM، Naive Bayes و Random Forest مورد بررسی قرار میگیرند. سپس، مدلهای پیشرفته یادگیری عمیق مانند LSTM، GRU و Transformer هامانند BERT تحلیل میشوند. در ادامه، با استفاده از مجموعه دادههای استاندارد، عملکرد این الگوریتمها از نظر دقت، سرعت آموزش و توانایی پردازش متون پیچیده مقایسه می گردد. نتایج نشان میدهند که مدل های مبتنی بر یادگیری عمیق، بهویژه مدل های مبتنی بر Transformer، در تحلیل احساسات با دقت باالتری عمل میکنند، اما چالشهایی مانند نیاز به داده های حجیم و منابع محاسباتی بالا نیز وجود دارد. در مقابل، الگوریتمهای یادگیری ماشین سنتی در مواردی که دادههای آموزشی محدود هستند، گزینه های مناسبی محسوب میشوند. در نهایت، راهکارهایی برای بهبود عملکرد این مدلها و ترکیب روش های مختلف ارائه میشود.

کلیدواژه ها:

تحلیل احساسات ، یادگیری ماشین ، یادگیری عمیق ، شبکه های اجتماعی ، پردازش زبان طبیعی