ارزیابی روش های یادگیری کلاسیک و یادگیری عمیق در تجزیه و تحلیل احساسات داده های تلگرام فارسی

امروزه اینترنت و به خصوص شبکه های اجتماعی مانند توییتر، فیس بوک و تلگرام به بستری برای تبادل ایده ها و به اشتراک گذاری نظرات کاربران تبدیل شده است. تجزیه و تحلیل احساسات بر اساس نظرات کاربران در این شبکه ها می تواند کمک شایانی در توضیح و پیش بینی پدیده های اجتماعی و همچنین یافتن محصولات یا خدمات مناسب برای افراد، شرکت ها و سازمان ها نماید. تاکنون پژوهش های زیادی بر روی داده های شبکه های اجتماعی به زبان انگلیسی انجام شده است؛ اما برای زبان فارسی پژوهش های محدودی انجام شده است. در این مقاله یک سیستم تجزیه و تحلیل احساسات بر روی داده های تلگرام فارسی پیشنهاد شده است. برای این منظور، چند روش استخراج ویژگی شامل بردار رخداد، فراوانی اصطلاح-معکوس فراوانی سند و ماتریس تعبیه کلمات جهت بازنمایی داده های متنی به عددی بررسی شده است. سپس جهت طبقه بندی داده ها روش های مختلف یادگیری ماشین کلاسیک شامل ماشین بردار پشتیبان، درخت تصمیم، K نزدیک ترین همسایه، بیز ساده و رگرسیون منطقی، تلفیق روش های کلاسیک و همچنین روش های یادگیری عمیق شامل شبکه عصبی عمیق، شبکه عصبی پیچشی و شبکه های حافظه طولانی کوتاه مدت یک طرفه و دوطرفه بررسی شده است. در نهایت ارزیابی و تحلیل نتایج بر روی داده های جمع آوری شده از تلگرام فارسی نشان می دهد که بهترین کارایی توسط روش استخراج ویژگی ماتریس تعبیه کلمات به همراه شبکه حافظه طولانی کوتاه مدت دوطرفه با دقت 67/90، صحت 01/90، فراخوان 54/89 و معیار F، 77/89 درصد به دست آمده است.