چارچوب ترکیبی مبتنی بر NLP و یادگیری عمیق برای تحلیل احساسات کاربران در اینترنت اشیاء اجتماعی

این پژوهش به طراحی و ارائه یک چارچوب ترکیبی از مدل های یادگیری ماشین و یادگیری عمیق، برای تحلیل احساسات و درک بهتر نظرات کاربران در بستر اینترنت اشیاء اجتماعی می پردازد. در طراحی این چارچوب، مطالعات پیشین نیز مورد بررسی قرار گرفتند؛ از جمله پژوهشی بر پلتفرم Tokopedia که در آن ۵۰۰۰ نظر کاربران با استفاده از الگوریتم های SVM و Naive Bayes تحلیل شده و مطالعات دیگری در مورد داده های استخراج شده از توییتر با مجموع ۱۱۹۹۷ توییت و داده های گرفته شده از آمازون با مجموع ۱۰۰۰ داده، که با استفاده از SVM و Random Forest و ترکیب آن دو تحلیل شده اند. همچنین به مدل های عمیق از جمله CNNها، RNNها و مدل های مبتنی بر ترنسفورمر می پردازیم. با توجه به مقایسه های انجام شده در مطالعات پیشین، الگوریتم ترکیبی RFSVM با روش وزن دهی و مدل های مبتنی بر ترنسفورمر در مقایسه با مدل ها و الگوریتم های دیگر عملکرد بهتری داشته اند. در نهایت چارچوبی ترکیبی از RFSVM و مدل های مبتنی بر ترنسفورمر GPT پیشنهاد می شود که عملکرد بهتری در تجزیه جزئیات مربوط به احساسات کاربران در IOT اجتماعی دارند.

کلیدواژه ها:

تحلیل احساسات ، اینترنت اشیاء ، یادگیری ماشین ، پردازش زبان طبیعی ، تحلیل بلادرنگ احساسات ، شهر هوشمند