بهبود فرایند فروش و ارتباط با مشتریان مبتنی بر تحلیل نظرات کاربران با استفاده از تکنیک های نوین داده کاوی و یادگیری ماشین

با گسترش تجارت الکترونیک، تولید داده های متنی از جمله نظرات کاربران افزایش یافته است. تحلیل احساسات در زبان فارسی به دلیل مشکلاتی همچون پیچیدگی زبان و نبود مدل های بومی مناسب، کارایی کافی ندارد. این تحقیق با هدف رفع این مشکلات، رویکردی بومی شده برای تحلیل خودکار نظرات کاربران فارسی زبان در دیجی کالا، یکی از بزرگ ترین پلتفرم های خرید آنلاین ایران، ارائه می دهد. در این رویکرد، فرایند تحلیل احساسات به چهار گام تقسیم می شود: ۱) پیش پردازش داده ها شامل حذف نویزها، نرمال سازی و توکن سازی، ۲) خلاصه سازی نظرات برای کاهش حجم ورودی ها بدون از دست دادن محتوای کلیدی، ۳) بردارسازی معنایی جملات با استفاده از مدل ParsBERT برای تولید بازنمایی های دقیق تر، و ۴) طبقه بندی احساسات به دسته های مثبت، منفی و خنثی با الگوریتم های یادگیری ماشین. نتایج تحقیق نشان داد که ترکیب ParsBERT با خلاصه سازی استخراجی و بهینه سازی پارامترهای مدل، عملکرد تحلیل احساسات را به طور چشمگیری بهبود می دهد. مدل پیشنهادی در مجموعه داده واقعی دیجی کالا دقت ۹۱٫۴%، امتیاز F۱ معادل ۹۰٫۷% و بازخوانی ۸۹٫۹% را به دست آورد که نسبت به مدل های سنتی مانند TF-IDF و SVM بیش از ۸% بهبود نشان می دهد. این یافته ها نشان می دهند که چارچوب پیشنهادی می تواند در بهبود استراتژی های بازاریابی، ارتقای تجربه کاربری، پیش بینی روندهای بازار و تصمیم گیری هوشمند در تجارت الکترونیک نقش موثری ایفا کند. همچنین، این تحقیق با تمرکز بر داده های فارسی و بستر بومی، گام مهمی در توسعه کاربردهای پردازش زبان طبیعی در تحلیل احساسات فارسی به شمار می آید.

کلیدواژه ها:

نظرات کاربران ، پردازش زبان طبیعی ، خلاصه سازی متون ، پارس برت ، تحلیل احساسات ، یادگیری ماشین ، دیجی کالا