ارزيابي روش‌هاي يادگيري كلاسيك و يادگيري عميق در تجزيه و تحليل احساسات داده‌هاي تلگرام فارسي

امروزه اينترنت و به خصوص شبكه‌هاي اجتماعي مانند توييتر، فيس‌بوك و تلگرام به بستري براي تبادل ايده‌ها و به اشتراك‌گذاري نظرات كاربران تبديل شده است. تجزيه و تحليل احساسات بر اساس نظرات كاربران در اين شبكه‌ها مي‌تواند كمك شاياني در توضيح و پيش‌بيني پديده‌هاي اجتماعي و همچنين يافتن محصولات يا خدمات مناسب براي افراد، شركت‌ها و سازمان‌ها نمايد. تاكنون پژوهش‌هاي زيادي بر روي داده‌هاي شبكه‌هاي اجتماعي به زبان انگليسي انجام شده است؛ اما براي زبان فارسي پژوهش‌هاي محدودي انجام شده است. در اين مقاله يك سيستم تجزيه و تحليل احساسات بر روي داده‌هاي تلگرام فارسي پيشنهاد شده است. براي اين منظور، چند روش‌ استخراج ويژگي شامل بردار رخداد، فراواني اصطلاح-معكوس فراواني سند و ماتريس تعبيه كلمات جهت بازنمايي داده‌هاي متني به عددي بررسي شده ‌است. سپس جهت طبقه‌بندي داده‌ها روش‌هاي مختلف يادگيري ماشين كلاسيك شامل ماشين بردار پشتيبان، درخت تصميم، K نزديك‌ترين همسايه، بيز ساده و رگرسيون منطقي، تلفيق روش‌هاي كلاسيك و همچنين روش‌هاي يادگيري عميق شامل شبكه عصبي عميق، شبكه عصبي پيچشي و شبكه‌هاي حافظه طولاني كوتاه مدت يك‌طرفه و دوطرفه بررسي شده است. در نهايت ارزيابي و تحليل نتايج بر روي داده‌هاي جمع‌آوري شده از تلگرام فارسي نشان مي‌دهد كه بهترين كارايي توسط روش استخراج ويژگي ماتريس تعبيه كلمات به همراه شبكه‌ حافظه طولاني كوتاه مدت دوطرفه با دقت 90.67، صحت 90.01، فراخوان 89.54 و معيار F، 89.77 درصد به دست آمده‌ است.