نویسندگان
دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران
چکیده
رشد چشمگیر شبکههای اجتماعی باعث ایجاد سطح بالایی از اطلاعات در فضای اینترنت میشود که این حجم بالای اطلاعات میتواند شامل ثبت نظرات کاربران، نیازهای کاربران و یا احساسات آنها باشد. تحلیل نیازهای کاربران سبب معرفی حوزهای بنام تحلیل احساس شد که هدف آن شناسایی احساسات (مثبت، منفی،خنثی) کاربران بر اساس نظرات ثبت شده آنها میباشد. در این روشها عموماً از یک الگوریتم دستهبندی و معیار وزندهی سنتی TF-IDF استفاده میشود که در فرآیند وزندهی به کلمات از اطلاعات کلاس دادههای آموزشی استفاده نمیکند و این اطلاعات را در فرآیند وزن دهی دخیل نمیکند، ازاینرو نتایج حاصل شده به اندازه کافی مطلوب نمیباشد. در این پژوهش از معیار وزن دهی جدیدی تحت عنوان TF-IGM برای وزندهی کلمات استفاده شده است که یک معیار وزندهی با ناظر میباشد. علاوه بر این برخلاف روشهای پیشین در این پژوهش از ترکیب دو روش مدل مخفی مارکوف و میدان تصادفی شرطی که حاصل ترکیب این دو، میدان تصادفی شرطی مخفی میباشد برای تحلیل احساس استفاده شده است. نتایج حاصل از اجرای روش پیشنهادی بر روی پایگاه داده نظرات کاربران شبکه توئیتر که شامل ۱۲۰۰۰ توئیت میباشد، حاکی از آن است که صحت مدل پیشنهادی در مقایسه با روش سنتی مبتنی بر TF-IDF دارای 82/5% بهبود میباشد. درواقع نتایج نشان میدهند که استفاده از الگوریتمهای دستهبندی ترکیبی در کنار روش وزندهی با ناظر نتایج بهتری در مقایسه با روشهای ساده ارائه میدهد.
کلیدواژهها