عقیده کاوی در زبان فارسی مبتنی بر یادگیری انتقالی

در دهه گذشته بررسی عقاید، احساسات و هم چنین گرایش های انسان ها نقش موثری در تصمیم گیری مدیران و افراد داشته است. الگوریتم های یادگیری ماشین نقش مهمی در زمینه عقیده کاوی دارند، اما از یک مشکل بزرگ رنج می برند: اغلب الگوریتم های یادگیری ماشین فرض می کنند که ابعاد ویژگی و توزیع داده ها یکسان است، اما بسیاری از کاربردهای واقعی از این فرضیات تبعیت نمی کنند. در واقع، داده هایی که الگوریتم در آینده دریافت می کند ممکن است دارای ابعاد و ویژگی متفاوت و یا از توزیع دیگری باشند. در این مقاله با استفاده از یادگیری انتقالی و با تاکید بر انتقال ویژگی، روشی نوین را برای بهبود استخراج احساسات و مفاهیم موجود در عقاید ارایه می دهیم. در روش پیشنهادی، ابتدا ویژگی یا موضوع عقاید در دامنه زبانی مبدا شناسایی شده و با جمع آوری صفات، قیدها و به طورکلی بسته ای از احتمالاتی که ممکن است برای یک ویژگی رخ دهد و ترجمه آن به زبان مقصد، یادگیری از زبان مبدا به زبان مقصد انتقال می یابد. بررسی روش پیشنهادی روی داده های موجود در فروشگاه اینترنتی آمازون به عنوان دامنه مبدا نشان می دهد با ایجاد الگوی انتقال ویژگی روی عقاید به زبان انگلیسی، می توان قطبیت موجود در 77 درصد نظرات که به زبان فارسی ثبت شده (در فروشگاه دیجی کالا) را کشف نمود که نسبت به روش های SCL، SFA و TCA به ترتیب 9، 5 و 5 درصد افزایش بازدهی را نشان می دهد.