تحلیل احساسات نظرات مشتریان با استفاده از ترکیب پردازش زبان طبیعی و یادگیری عمیق

اینترنت و پلتفرمهای رسانه های اجتماعی مانند توییتر، فیسبوک و چندین وبلاگ انواع مختلفی از اطلاعات مفید را در سطح جهانی فراهم می آورند. استفاده فزاینده از رسانه های اجتماعی و وبسایت های تجارت الکترونیک به طور مداوم حجم زیادی از داده ها را شامل تصاویر، ویدئوها، صدا، متن و غیره تولید می کند. در میان این، داده ها متن مهم ترین نوع داده های غیر ساختاریافته است که نیازمند توجه ویژه ای از سوی محققان برای به دست آوردن اطلاعات معنادار است. اخیرا تکنیک های زیادی برای کسب بینش از این داده ها پیشنهاد شده است. با این حال، هنوز چالش هایی در مواجهه با متن های حجیم وجود دارد؛ بنابراین شناسایی دقیق نوع گرایی (polarity) نظرات مصرف کنندگان یک مسئله جذاب و در حال توسعه است. به همین دلیل استخراج معانی دقیق از داده های متنی نظرات مصرف کنندگان، نظرات، توییت ها، پست ها و غیره دشوار است. در این مقاله یک تکنیک منحصر به فرد که شامل جمع آوری داده ها، پیش پردازش، کدگذاری ویژگی ها و طبقه بندی با استفاده از سه نوع مختلف حافظه بلندمدت و کوتاه مدت (LSTM) ارائه شده است تا مشکلات تحلیل احساسات را برطرف کند. تحلیل جمع آوری داده های مناسب، پیش پردازش و طبقه بندی در تفسیر چنین داده هایی حیاتی است. در مطالعات مختلف از مجموعه های داده متنی مختلف برای ارزیابی اهمیت مدل های پیشنهادی استفاده شده است. تکنیک پیشنهادی پیش بینی احساسات نتایج بهتری را نشان می دهد یا حداقل نتایج قابل مقایسه ای را با پیچیدگی محاسباتی کمتر ارائه می دهد. نتیجه این کار اهمیت قابل توجه تحلیل احساسات نظرات مصرف کنندگان و محتوای رسانه های اجتماعی برای به دست آوردن بینش های معنادار را نشان می دهد.

کلیدواژه ها:

تحلیل احساسات ، پردازش زبان طبیعی ، یادگیری عمیق