كاربرد بردار سبدكلمات و شبكه‌ي عصبي براي عقيده‌كاوي پيامهاي توئيتري پيرامون موضوغ «توافق برجام»

Application Of Bag Of Word And Neural Network For Twitter Sentiment Analysis With Respect To ‘JCPOA’ Keyword

امروزه استفاده از شبكه‌هاي اجتماعي بخش جدايي‌ناپذير از زندگي جوامع مدرن شده است. با توجه به تعداد بسيار زياد پيام‌هاي متني كه روزانه توليد و در شبكه‌هاي اجتماعي منتشر مي‌شود، استفاده از روش‌هاي يادگيري ماشين براي عقيده‌كاوي متن اهميت چشمگير و جايگاه كليدي يافته است. در اين مقاله، استخراج بسامد سبد كلمات اصلي به عنوان بردار ويژگي و استفاده از شبكه عصبي براي عقيده‌كاوي و طبقه‌بندي متن در سه گروه موافق، مخالف و خنثي پيشنهاد شده است. براي اين منظور، مجموعه پيام‌هاي متني پيرامون موضوع توافق برجام از شبكه‌ي اجتماعي توئيتر استخراج شده و پس از انجام مراحل پيش‌پردازشي، مجموعه كلمات براساس بسامد به عنوان سبد كلمات انتخاب شده است. همچنين متن پيام‌ها در سه دسته موافق، مخالف و خنثي برچسب گذاري شده است. از شبكه عصبي براي يادگيري الگو و طبقه‌بندي داده‌ها و نيز روش ارزيابي متقابل براي ارزيابي عملكرد شبكه استفاده شده است. در آزمون‌ها، متوسط دقت 80% براي طبقه‌بندي معنائي حاصل شده است. ضمنا براي ارزيابي عملكرد يادگيري شبكه عصبي، اين آزمون‌ها بازاء متون پيرامون موضوع پيوستن به سازكار جهاني بانك‌ها نيز به صورت مجزاء تكرار شده و در نتايج، دقت در حد 7۸% به دست آمده است.

nowadays using social media has become an inseparable part of daily routine of modern societies. Considering the large number of text messages that are being produced and published daily on social media, using methods of machine learning for text sentiment analysis has gained significant importance and a key position. In this paper extraction of bag of words as a feature set and using a neural network for sentiment analysis and classifying texts into three groups of agree, disagree, and neutral has been suggested. To this purpose, a set of text messages on the subject of JCPOA has been extracted from the twitter social media and after preprocessing, set of words has been selected based on priority as a bag of words. Also, the text of messages has labeled into three classes of agree, disagree, and neutral. Neural network has been used for pattern recognition and classification and also cross validation method for network performance evaluation. In the test results, an average accuracy of 80% is obtained for the sentiment classification. Also, to evaluate neutral network learning performance, this test has been repeated for texts on the subject of joining the World bank mechanism separately and in result, the accuracy of 78% is gained