ارائه چارچوبی برای تحلیل هوشمند احساسات با استفاده از روش جدید ترکیب ویژگی و فرا ابتکاری در بهینه‌سازی گروهی ذرات

امروزه با افزایش زمینۀ استفاده از اینترنت، افراد برای خرید محصولات خود و یا اطلاع از موضوعات مختلف به اینترنت مراجعه می نمایند. تعداد زیادی از صفحات مجازی وجود دارند که کاربران نظرات خود را در مورد موضوعات مختلف درج  می کنند، در نتیجه حجم زیادی از داده ها وجود دارد که استخراج اطلاعات سودمند از آنها کار پرهزینه و زمانبری است. نظرکاوی فرآیند تحلیل هوشمند احساسات کاربرانی است که نظرات خود را در ارتباط با یک موضوع مشخص طرح نموده و قابلیت استخراج دارند. روش یادگیری ماشین یکی از بهینه ترین و کارآمد ترین روش ها برای استخراج دانش از میان نظرات کاربران دربارۀ محصولات ارائه شده می‌باشد. در این روش ها، داده های آموزشی یک سیستم جهت طبقه بندی نظرات کاربران داده می شود. یکی از مهمترین مراحل طبقه بندی، کاهش داده می باشد. با به‌کارگیری روش جدید ترکیب ویژگی می توان مجموعۀ ویژگی های استخراج شده را بیشتر از روش انتخاب ویژگی کاهش داد، که به یک زیر مجموعه ای از اطلاعات مفید با حجم بسیار کمتر و میزان قدرت تشخیص بالاتر رسید. در این تحقیق از الگوریتم بهینه سازی گروهی ذرات جهت بهینه کردن ترکیب ویژگی ها استفاده شده است. برای سنجش روش پیشنهاد شده از نرم افزار متلب استفاده شده است که بر روی چهار مجموعۀ داده، آزمایش هایی صورت گرفت. نتایج تحقیق نشان داد که استفاده از روش ترکیب ویژگی، کارایی طبقه بندی را افزایش داده و از تاثیر این افزایش در افت کارایی دسته‌بندی کننده می کاهد.

presenting a framework for intelligent sentiment analysis using a novel method of feature combination and meta-initiative in particle swarm optimization

today, with the increase in the use of the internet, people have turned to the internet to buy their products or to learn about various topics. there are a large number of virtual pages where users post their opinions on various topics. a large amount of data exists which extracting useful information from is a costly and time-consuming task. opinion mining is the process of intelligent analysis of the sentiments of users who have expressed their opinions in relation to a specific topic with the capability of extract them. the machine learning method is one of the most optimal and efficient methods for extracting knowledge from users’ opinions on the offered products. in these methods, the training data of a system is given to classify user opinions. one of the most important classification steps is data reduction. by using the new feature combination method, the set of extracted features can be reduced to a greater extent than the feature selection method, which leads to a subset of useful information with a much smaller volume and higher recognition power. in this research, particle group optimization algorithm was used to optimize the combination of features. to evaluate the proposed method, matlab software was used to evaluate the proposed method, and experiments were conducted on four data sets. the results of the research showed that the use of the feature combination method increased the efficiency of classification and reduced the effect of this increase in the decrease of the efficiency of the classifier.