تشخیص پیام‌های درخواست و غیر درخواست در شبکه‌های اجتماعی با رویکردهای ترکیبی

امروزه با رشد روزافزون استفاده از شبکه ‌های اجتماعی، حجم داده‌های تولیدشده روبه‌افزایش است؛ از طرفی کسب‌وکارهای زیادی در شبکه‌های اجتماعی مختلف فعالیت دارند؛ به همین دلیل تشخیص نیازمندی ‌های کاربران برای بازاریابان در شبکه ‌های اجتماعی یکی از نیازمندی‌ های توسعه کسب‌وکارهای اینترنتی و تجارت الکترونیکی است؛ ازاین‌رو تشخیص خودکار پیام‌ های درخواست و به نوعی فیلترینگ آن ‌ها در متون فارسی حائز اهمیت است. پژوهش حاضر با هدف بهبود تشخیص پیام‌ های درخواست در مجموعه پیام‌ های ارسال‌شده در پیام رسان ‌ها انجام شده‌است. امروزه شبکه‌ های اجتماعی به ‌راحتی در دسترس‌اند؛ ازاین‌رو پیام‌ ها در شبکه ‌های اجتماعی متفاوت با متون ادبی است. پیام‌ ها در شبکه ‌های اجتماعی دارای داده ‌های اضافی و عامیانه‌اند؛ از طرف دیگر واژه‌ها نیز شامل غلط ‌های املایی فراوان‌اند؛ بنابراین مقابله با این پیام‌ ها یک چالش محسوب می ‌شود. در این پژوهش ابتدا پیش‌ پردازش و حذف داده‌ های اضافی مورد بررسی قرار گرفته‌است. برای مقابله با دیگر چالش ‌های مطرح‌شده روش پیشنهادی در حین حفظ ارزش واژه‌ها، با غلط ‌های املایی نیز مقابله کرده‌است. پس از استخراج ویژگی ‌های مناسب، یک مدل ترکیبی مبتنی بر شبکه‌ های عصبی عمیق برای فرایند تشخیص پیام‌ های درخواست و طبقه‌بندی طراحی شد. در مرحله ارزیابی، آزمایش ‌های جامعی برای تحلیل عملکرد مدل پیشنهادی پیاده ‌سازی شد. مطابق نتایج به‌دست‌آمده precision، recall و f-score روش پیشنهادی، تقریباً برابر 90درصد است و در مقایسه با روش ‌های پیشین ارائه‌شده، به طور میانگین 5 درصد بهبود یافت.

recognizing request and non-request messages in social networks with combined approaches

the aim of the request recognition task in social networks is to understand the intent behind the posts, comments, or messages shared by users. many businesses are actively present on various social networks, making it crucial to identify user needs for marketers in this space to foster the growth of online businesses and e-commerce. detecting request messages automatically and filtering them is essential. however, social network messages often contain slang and numerous spelling errors, posing challenges for research in this domain. while extensive research has been conducted in english, studies on this task in persian are limited. telegram stands out as the most popular social network in iran, with a large persian-speaking user base. this study utilized a standard labeled persian dataset from telegram for training and testing purposes, comprising 85741 messages from the platform, evenly split between request and non-request categories. to tackle the significant challenges posed by sarcastic messages and spelling mistakes on social media platforms, we devised a multi-step hybrid strategy.the initial step involves preprocessing. social media data typically consists of unstructured and slang-ridden user messages, necessitating preprocessing to enhance persian text processing and reduce slang usage. the pre-processing phase is crucial when dealing with social media platforms. because telegram is unique compared to other platforms the data cleaning process varies. this study’s accomplishment includes developing a unique dataset and filtering out noise from telegram enhancing improvement in the pre-processing phase. also, this involves normalizing different word forms, such as beautiful and beauty, to maintain the integrity of word meanings. the subsequent step focuses on feature extraction. various approaches to feature extraction come with their own set of advantages and drawbacks. hence, we employed hybrid feature extraction methods to address this complexity. while tf-idf methods assess word importance without considering meaning, fasttext retains semantic similarity. by combining the bag of words and fasttext methods, our research aims to enhance accuracy. the final step involves classification, where deep learning networks are utilized to evaluate these features.experimental findings indicate that our final model achieves precision, recall, and f-score rates of nearly 90%, representing a 5% improvement on average compared to previous methodologies.