تحلیل احساسات چندکلاسه روی نظرات فارسی با استفاده از مدل های از پیش آموزش دیده پارسی

تحلیل احساسات Sentiment Analysis به عنوان یکی از زیرشاخه های کلیدی پردازش زبان طبیعی (NLP)، نقش مهمی در درک نظرات کاربران در پلتفرم های دیجیتال ایفا می کند. در زبان فارسی با توجه به چالش های زبانی مانند ساختار صرفی پیچیده و تنوع رسم الخط مدل های سنتی عملکرد محدودی دارند. این مقاله بر ضرورت استفاده از مدل های مبتنی بر Transformer مانند RoBERTa-Persian ParsBERT و ALBERT-Persian تمرکز دارد که از طریق پیش آموزش روی داده های عظیم، فارسی قابلیت استخراج ویژگی های عمیق را فراهم می کنند. روش پیشنهادی شامل پیش پردازش متن با ابزارهایی مانند Hazm و Dadmatools، و سپس fine-tuning مدل ها برای کلاسیفیکیشن چندکلاسه (۵) کلاس بسیار ناراضی، ناراضی، خنثی، راضی، بسیار راضی است. نتایج مورد انتظار نشان دهنده برتری این مدل ها با دقت بیش از ۸۵ درصد در مقایسه با روش های سنتی است که می تواند در کاربردهای واقعی مانند تحلیل نظرات مشتریان در کسب وکارهای ایرانی مفید باشد.

کلیدواژه ها:

تحلیل ، احساسات ، زبان فارسی ، کلاسیفیکیشن چندکلاسه ، NLP