بهبود تحلیل احساسات زبان فارسی با ترکیب مدل ParsBERT و شبکه ی BILSTM

تحلیل احساسات Sentiment Analysis شاخه ای از پردازش زبان طبیعی (NLP) است که هدف آن شناسایی و استخراج احساسات و دیدگاه های نهفته در متون متنی است. با گسترش شبکه های اجتماعی، وبلاگ ها و سکوهای خرید برخط (Online)، حجم عظیمی از داده های متنی فارسی تولید می شود که تحلیل خودکار آنها می تواند به تصمیم گیری های تجاری، اجتماعی و سیاسی کمک کند. با این حال زبان فارسی دارای پیچیدگی های ساختاری و واژگانی خاصی است که تحلیل خودکار آن را دشوار می سازد. مدل های مبتنی بر یادگیری عمیق، به ویژه Transformerهایی چون BERT و نسخه فارسی آن یعنی ParsBERT، گام بزرگی در درک معنای متون فارسی برداشته اند. با وجود این، ParsBERT در تشخیص دقیق احساسات خصوصا در جملات طولانی یا دارای چند احساس متضاد، محدودیت دارد. در این پژوهش روشی ترکیبی به نام ParsBERT-BiLSTM پیشنهاد شده است که خروجی های تعبیه شده ی ParsBERT را به عنوان ورودی به یک شبکه بازگشتی دوجهته (BiLSTM) می دهد تا الگوهای زمانی و وابستگی های احساسی بین واژگان به صورت دقیق تر مدل شود. آزمایش ها بر روی یک مجموعه داده های فارسی شامل نظرات کاربران نشان می دهد که مدل پیشنهادی نسبت به مدل های کلاسیک (مانند Logistic Regression و SVM) و نیز مدل ParsBERT، پایه عملکرد بهتری دارد. مدل پیشنهادی ParsBERT-BiLSTM توانست میانگین دقت کلی (Accuracy) و میانگین F۱ را ارتقا دهد. نتایج بیانگر آن است که ترکیب مدل های Transformer با شبکه های بازگشتی می تواند راه حلی موثر برای بهبود تحلیل احساسات فارسی باشد.

کلیدواژه ها:

تحلیل ، احساسات ، زبان فارسی ، یادگیری عمیق ، BiLSTM ، ParsBERT ، ترنسفورمر