تحلیل احساسات در شبکه های اجتماعی فارسی با استفاده از مدل های مبتنی بر ترنسفورمر

و تحلیل احساسات به عنوان یکی از حوزه های مهم پردازش زبان طبیعی بر شناسایی و تفسیر خودکار نگرش ها، احساسات و دیدگاه های کاربران در متون تمرکز دارد و امروزه نقشی اساسی در درک صدای مشتری در شبکه های اجتماعی و بسترهای تجاری ایفا می کند. در زبان فارسی این مسئله به دلیل ویژگی های زبانی و نوشتاری خاص از جمله کاربرد نیم فاصله، تفاوت میان زبان رسمی و محاوره ای، تنوع املایی و پیچیدگی های صرفی و نحوی با چالش های ویژه ای همراه است. با گسترش روزافزون محتوای کاربر محور فارسی در پلتفرم هایی مانند توییتر، اینستاگرام و وب سایت های نقد و بررسی کالا نیاز به توسعه روش های دقیق و کارآمد برای تحلیل احساسات بیش از گذشته احساس می شود. این مقاله با رویکردی مروری، پژوهش های انجام شده در زمینه تحلیل احساسات متون فارسی در شبکه های اجتماعی را بررسی می کند. ابتدا سیر تحول این حوزه از روش های مبتنی بر واژگان و الگوریتم های کلاسیک یادگیری ماشین تا رویکردهای مبتنی بر یادگیری عمیق و مدل های ترنسفورمری تبیین می شود. سپس مهم ترین روش های به کاررفته در ادبیات موضوع دسته بندی شده و مجموعه داده های معتبر و پرکاربرد فارسی از منظر پژوهشی و کاربردی معرفی می شوند. همچنین چالش های اصلی این حوزه از جمله کمبود داده های برچسب خورده، تنوع زبانی، کاربران و دشواری های نگارشی به تفصیل مورد بحث قرار می گیرند. در ادامه عملکرد مدل های پیشرفته ای مانند BERT چندزبانه و مدل های بومی فارسی نظیر ParsBERT بررسی و با رویکردهای پیشین مقایسه می شود. یافته ها نشان می دهد که مدل های مبتنی بر ترنسفورمر با ارائه دقت و کارایی بالاتر به رویکرد غالب و معیار نوین تحلیل احساسات در متون فارسی تبدیل شده اند.

کلیدواژه ها:

تحلیل احساسات ، پردازش زبان طبیعی فارسی ، مدل های ترنسفورمری ، ParsBERT