تحلیل احساسات فارسی با مدلهای یادگیری ماشین رویکرد هیبریدی مبتنی بر مکانیسم توجه CNN-BiLSTM

تحلیل احساسات فارسی به عنوان یکی از شاخه های مهم پردازش زبان طبیعی، در سال های اخیر به دلیل پیچیدگی های زبانی و کمبود منابع داده ای با چالش های متعددی مواجه بوده است. در این پژوهش، یک رویکرد هیبریدی مبتنی بر ترکیب شبکه های کانولوشنی، شبکه های حافظه بلند کوتاه دوجهته و مکانیزم توجه ارائه شده است تا با بهره گیری از جاسازی های زبانی، ویژگی های محلی و وابستگی های معنایی متون فارسی به صورت هم زمان مدل سازی شوند. مدل پیشنهادی بر روی چند مجموعه داده معتبر فارسی شامل Digikala، SnappFood، DeepSentipers، Sentipers و LDPSA پیاده سازی و ارزیابی شد. نتایج نشان می دهد مدل ترکیبی پیشنهادی در مقایسه با مدل های پایه مانند LSTM، SVM و CNN پردازش زبان طبیعی داده ست های به ترتیب بهبود میانگین ۱۵ درصدی در F۱-Score و دقت کلی ۹۲٫۳ درصدی را ارائه می دهد. همچنین مقادیر AUC برای کلاس های مثبت، منفی و خنثی به ترتیب ۰/۹۶۱، ۰/۹۰۷ و ۰/۸۸۸ محاسبه شد که نشان دهنده توان تفکیک بالا و عملکرد متوازن مدل در تشخیص احساسات مختلف است. یافته ها اثر بخشی ساختار پیشنهادی را در بهبود طبقه بندی احساسات فارسی و مدیریت متون غیررسمی و طعنه آمیز تایید می کند.

کلیدواژه ها:

تحلیل احساسات ، زبان فارسی ، یادگیری ماشین ، مدل هیبریدی ، کانولوشنی ، شبکه BiLSTM عصبی ، مکانیسم توجه