داده های شبکه های اجتماعی یکی از موثرترین و دقیق ترین شاخص های احساسات عمومی است، بطوریکه تجزیه و تحلیل این اطلاعات می تواند نتایج جالبی از احساسات کاربران نسبت به هر شخصیت، موضوع، محصول و خدمات را برای محققین نمایان سازد. در این پژوهش، ضمن بررسی نظرات کاربران در شبکه اجتماعی توییتر در مورد ویژگی های مختلف دو محصول رقیب تلفن همراه در بازار یعنی Iphone X شرکت اپل و Galaxy S9 شرکت سامسونگ، احساسات آنان را براساس جنسیت مصرف کنندگان این دو محصول مورد بررسی قرار می دهیم. این بررسی با استفاده از روش مبتنی بر رابطه در مرحله استخراج ویژگی و رویکرد مبتنی بر لغت نامه احساسی در مرحله تعیین قطبیت نظرات انجام می گیرد. نتایج این تحقیق بیان می دارد که محبوبیت ویژگی های مختلف محصول بین کاربران مرد و زن متفاوت بوده و براساس این نتایج، صاحبان کسب و کار می توانند اقدام به تولید محصولاتی با تمرکز بر جنسیت افراد کرده و یا به طراحی برنامه های هوشمند تبلیغاتی با توجه به علایق آنان بپردازند. این اقدامات در نهایت به افزایش سوددهی کسب و کار و رضایت مندی مشتریان منجر می گردد.

یکی از مهم ترین داده های متنی موجود در سطح وب احساسات و دید گاه های افراد نسبت به یک موضوع یا مفهوم مشخص است. با این حال، یافتن و نظارت بر وبگاه های حاوی این احساسات و استخراج اطلاعات موردنیاز از آن ها به علت گسترش وبگاه های گوناگون کاری دشوار محسوب می شود. در این راستا، توسعه سامانه های تجزیه و تحلیل خودکار احساسات که بتواند نظرات را استخراج کرده و روند فکری مرتبط با آن ها را بیان کند، در سال های اخیر توجه زیادی را به خود جلب کرده است و روش های بر پایه یادگیری ژرف، یکی از راه کارهایی هستند که توانسته ا ند به نتایج چشم گیری در کاربردهای مختلف پردازش زبان های طبیعی به خصوص تجزیه و تحلیل احساسات دست یابند؛ اما این روش ها برخلاف عملکرد قابل توجه هنوز با چالش هایی مواجه هستند و نیاز به پیشرفت در این حوزه همچنان وجود دارد؛ ازاین رو، هدف این مقاله ترکیب مدل های یادگیری ژرف به منظور ارائه یک روش جدید برای تجزیه و تحلیل احساسات متنی است که بتواند ضمن استفاده هم زمان از مزایای شبکه های عصبی ژرف بر مشکلات آن ها چیره شود. در این راستا، در این مقاله روشی بر پایه ترکیب شبکه عصبی پیچشی و شبکه عصبی هم گشتی معرفی شده است که در آن به منظور حفظ وابستگی های بلندمدت در جملات و کاهش از دست رفتن داده های محلی که به عنوان چالش های شبکه عصبی پیچشی به شمار می آیند، از لایه هم گشتی تعمیم یافته که در آن از یک ویژگی میانی حاصل از ترکیب گره های فرزندان استفاده می شود، به عنوان جایگزین لایه ادغام در شبکه عصبی پیچشی بر پایه ساز و کار توجه استفاده شده است. بر اساس نتایج آزمایش ها، روش پیشنهادی به ترتیب با دقت 92/53 و 89/92 درصد روی مجموعه داده های SST1 و SST2 و دارای دقت بالاتری نسبت به سایر روش های موجود است.

حفظ مشتری یکی از پراهمیت ترین مسایل هر سازمانی می باشد و یافتن راهی جهت حفظ و بقای مشتری از نیازهای کلیدی آن سازمان است. هدف اصلی پژوهش حاضر، در حوزه یادگیری ماشین با تمرکز بر شناسایی صحیح نیازهای مشتری با روشی مبتنی بر استخراج دیدگاه ها و تحلیل احساسات و کمی سازی گرایش احساسی مشتریان در مورد خدمات بانکی با بررسی و تحلیل نظرات آن ها می باشد. به عبارتی موضوع این پژوهش طراحی سیستم توصیه گر جهت ارایه خدمات مناسب به مشتریان، با استفاده از عقاید و تجارب آن ها می باشد. روش اجرای ارایه شده در پژوهش حاضر بدین ترتیب است که، با بررسی عقاید مشتریان و استخراج متغیرهایی چون نمره احساسات افراد برای توییت ها، نمره ارتباط، شباهت کسینوسی و میزان ضریب اطمینان در قالب فرآیند آموزش و تست، خدمات بانکی مناسب را پیشنهاد می دهد. به منظور ارایه این پیشنهاد، از روش های دسته بندی مناسب به همراه روش های عقیده کاوی و رویکرد اعتبارسنجی مناسب استفاده می شود و سیستم طراحی شده نهایی با خطایی اندک، جهت ارایه خدمات شخصی سازی شده، در راستای کمک به مدیران بانکی گام خواهد برداشت. ازآنجاییکه درحال حاضر ارایه خدمات بانکی متناسب با وضعیت مشتریان به طورکامل وجود ندارد، لذا سیستم مذکور در این زمینه بسیار راهگشا خواهد بود.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

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.