تعیین قطبیت نظرات مشتری های هتل با ترکیب مدل های کانولوشن و BLSTM با استفاده از Word۲Vec بر روی زبان فارسی

با افزایش تعداد وب سایت های ارتباط جمعی, مردم تمایل دارند دیدگاه های خود را در مورد همه چیز به صورت آنلاین به اشتراک بگذارند. این راهی مناسب برای انتقال پیام ها به کاربران نهایی در یک موضوع خاص است. آنالیز احساسی شاخه ای از پردازش زبان طبیعی است که به شناسایی نظرات کاربران نسبت به موضوعات خاص اشاره دارد. این کار در زمینه های مختلفی مانند بازاریابی، خدمات مشتری و غیره مورد استفاده قرار می گیرد. از سوی دیگر، یادگیری عمیق به دلیل نقش موفقیت آمیز آن در چندین کار پردازش زبان طبیعی محبوب شده است. هدف این مقاله، ارائه یک معماری یادگیری عمیق نوین برای تحلیل احساسات فارسی است. با توجه به مدل پیشنهادی، ویژگی های محلی توسط شبکه های عصبی کانولوشن استخراج می شوند و وابستگی های طولانی مدت توسط BLSTM، بنابراین این مدل می تواند از توانایی های شبکه های عصبی کانولوشن و BLSTM ببرد. علاوه بر این، روش پیشنهادی جهت نمایش کلمات از مدل Word۲vec استفاده می نمایید. ما مدل پیشنهادی را بر روی مجموعه داده ی فارسی که در این مطالعه معرفی شده است، مورد ارزیابی قرار می دهیم. نتایج تجربی اثربخشی مدل پیشنهادی را با دقت ۸۸.۶ % در زبان فارسی نشان می دهد

کلیدواژه ها:

تعیین قطبیت متن ، ترکیب مدل های شبکه عمیق ، تعبیه کلمات ، حافظه کوتاه مدت طولانی دوطرفه ، شبکه عصبی کانولوشن