بهبود فرآیند عقیده کاوی به کمک تلفیق روش‌های گرگ خاکستری و ماشین بردار پشتیبان

ظهور وب و رشد مستمر آن، حجم عظیمی از اطلاعات تولید شده توسط کاربران را ایجاد کرده است. در این اطلاعات، به راحتی می‌توان اطلاعات ذهنی ارزشمندی را پیدا کرد، به ویژه در شبکه‌های اجتماعی و بسترهای تجارت االکترونیک که حاوی اطلاعات مهمی در مورد کاربران هستند. حوزه عقیده کاوی در سال‌های گذشته به شدت مورد توجه قرار گرفته است. هر روز مقالات تحقیقاتی جدیدی  منتشر می‌شوند که در آنها رویکردهای مختلف هوش مصنوعی برای وظایف و برنامه‌های مختلف مرتبط با عقیده کاوی اعمال می‌شوند. در این مقاله رویکرد جدیدی مبتنی بر ماشین بردار پشتیبان و الگوریتم بهینه‌سازی گرگ‌های خاکستری برای بهبود فرآیند عقیده کاوی پیشنهاد شده است، به گونه‌ای که الگوریتم گرگ‌های خاکستری برای تعیین ویژگی‌های موثر در فرآیند عقیده کاوی به کار رفته است و عملکرد ماشین بردار پشتیبان را بهبود می‌دهد. نتایج پیاده‌سازی این تحقیق نشان داد که سیستم پیشنهادی توانسته با انتخاب ویژگی‌های موثر به افزایش دقت و پوشاندن خطای رویکرد ماشین بردار پشتیبان کمک کند. سیستم پیشنهادی با استفاده از سه معیار صحت، فراخوانی و دقت مورد ارزیابی قرار گرفت، که صحت برای کلاس اول و دوم به ترتیب برابر با 0.68 و 0.92 درصد، فراخوانی برای کلاس اول و دوم به ترتیب برابر با 0.94 و 0.63 درصد و دقت 0.77 درصد بوده است. نتایج حاکی از آن است سیستم پیشنهادی این تحقیق توانسته در هر دو کلاس به نتایج مطلوبی دست پیدا کند.

improve opinion mining by combining gray wolf algorithm and support vector machine

the advent of the web and its continuous growth have created a tremendous amount of user-generated information. valuable subjective information is easy to find. especially on social networks and e-commerce platforms that contain essential information. as a result, the field of belief mining has attracted considerable attention in recent years. new research papers are published every day in which various ai techniques are applied to various tasks and applications related to mining opinion. in this article, a new approach based on the support vector machine technique and the gray wolf optimization algorithm is proposed to improve the opinion mining process. such that the gray wolf algorithm is used to determine the practical features in the belief mining process and enhances the performance of the support vector machine. this research showed that the proposed system could increase the accuracy and cover the error of the backup vector technique by selecting practical features. the proposed approach has been evaluated using three criteria: accuracy, recall, and precision. precision for the first and second classes is 0.68 and 0.92%, respectively, and recall for the first and second classes equals 0.94 and 0.63% respectively, and accuracy was 0.77%. the results indicate that the proposed system of this research achieved favorable results in both categories.