ارائه یک روش ترکیبی داده افزایی برای تحلیل احساسات با تمرکز بر رفع چالش های متون غیررسمی فارسی

با افزایش روزافزون حجم نظرات کاربران در شبکه های اجتماعی و بسترهای خدماتی، تحلیل احساسات به یکی از ابزارهای کلیدی در استخراج بینش از داده های متنی تبدیل شده است. با این حال، چالش هایی نظیر کمبود داده های برچسب خورده و پیچیدگی های زبانی به ویژه در زبان فارسی، عملکرد مدل های یادگیری عمیق را با محدودیت هایی مواجه کرده است. در این مقاله، روشی برای داده افزایی با هدف بهبود تحلیل احساسات متون فارسی ارائه شده است که تمرکز آن بر تولید داده های مصنوعی با تکیه بر چالش های مطرح در تحلیل نظرات شبکه های اجتماعی از جمله کوتاه بودن، زبان عامیانه و اشتباهات املایی و دستوری فراوان در این نوع متون است. همچنین روشی مبتنی بر داده افزایی برای بهبود تحلیل احساسات بین دامنه ای پیشنهاد شده است. نتایج ارزیابی های انجام گرفته نشان می دهد که روش پیشنهادی در دامنه های توئیتر و فیلم معیار F۱ طبقه بند شبکه عصبی پیچشی برای تحلیل احساسات را به ترتیب ۳/۶ و ۲/۸ درصد بهبود داده است. همچنین دو روش پیشنهادی برای داده افزایی بین دامنه ای (غنی سازی با واژه های دامنه مقصد و داده افزایی با ChatGPT)، توانسته اند معیار F۱ مدل آموزش دیده بر روی دامنه توئیتر را در تحلیل احساسات دامنه هتل به میزان ۸/۹ و ۶/۱۴ درصد و در دامنه فیلم به میزان ۶/۲ و ۴/۰ درصد افزایش دهند.

کلیدواژه ها:

داده افزایی ، تحلیل احساسات ، چالش های زبان فارسی ، تحلیل احساسات بین دامنه ای ، یادگیری عمیق