تحلیل احساسات متون فارسی بر پایه شبکه های عصبی عمیق

تحلیل احساسات و استخراج نظرات کاربران در فضای مجازی یکی از ابزارهای کلیدی در تصمیم گیری های تجاری، تحلیل های اجتماعی و بهبود خدمات است. با وجود پیشرفت های چشمگیر در زبان انگلیسی، تحلیل احساسات در زبان فارسی به دلیل چالش های ساختاری، تنوع نوشتاری، کمبود منابع استاندارد و پیچیدگی های ریخت شناسی همواره با محدودیت هایی روبه رو بوده است. هدف این پژوهش ارائه یک چارچوب کارآمد برای تحلیل احساسات متون فارسی با استفاده از معماری های یادگیری عمیق است. در این تحقیق پس از اعمال پیش پردازش های اختصاصی زبان فارسی شامل نرمال سازی، ریشه یابی و حذف کلمات توقف، ویژگی های متنی با استفاده از روش های جلسازی کلمه (Word Embedding) استخراج شده و به عنوان ورودی به سه مدل شبکه عصبی بازگشتی دوطرفه (BiLSTM)، شبکه عصبی کانولوشنال (CNN) و یک مدل ترکیبی مبتنی بر ترنسفورمر BERT/فارسی (ParsBERT) داده می شوند. ارزیابی مدل ها بر روی دادگان استانداردی از نظرات کاربران فارسی زبان نشان می دهد که مدل ترکیبی مبتنی بر معماری ترنسفورمر با دستیابی به دقت و شاخص F۱ معادل ۹۰.۸٪ عملکرد برتری نسبت به سایر روش های سنتی و شبکه های عصبی عمیق پایه ارائه می دهد. این نتایج اثر بخشی معماری های عمیق پیش آموزش دیده را در مواجهه با چالش های ساختاری زبان فارسی تایید می کند.

کلیدواژه ها:

تحلیل احساسات ، یادگیری عمیق ، شبکه های عصبی بازگشتی ، پردازش زبان طبیعی ، فارسی ، ترنسفورمر ، پارس برت