ارائه یک روش جدید تحلیل احساسات مبتنی بر الگوریتم بهینه ‌سازی ارشمیدس چند هدفه و یادگیری ماشین

گسترش و محبوبیت شبکه ‌های اجتماعی در بین افراد، توجه متخصصان بیش‌ازپیش به فعالیت‌ها، واکنش‌ها و احساسات افراد در این شبکه ‌ها نسبت به سایر محافل معطوف گشته است. تحلیل این حجم از اطلاعات متنی غیرساخت‌یافته کاربران نیازمند روش‌های نوین و بهینه متن‌کاوی و پردازش زبان طبیعی است. هدف تحلیل احساسات این است که حجم انبوهی از نظرات پیرامون یک موجودیت توسط ماشین مورد بررسی قرار گیرد و گزارش خلاصه شده‌ای از احساس بیان شده در آن به کاربر ارائه گردد. برای دستیابی به این هدف تکنیک‌های آماری، داده‌کاوی و پردازش زبان طبیعی مورداستفاده قرار می‌گیرند. در این مقاله روش جدیدی مبتنی بر الگوریتم بهینه‌سازی ارشمیدس ارائه شده است تا بتوان در زمان کمتر و دقتی بالاتر نظرات کاربران را دررابطه‌با موضوع موردنظر به دست آورد. همچنین جهت ازبین‌بردن یکی از چالش‌های اصلی در تحلیل احساسات در مرحله استخراج ویژگی تمام جملات کنایه‌آمیز جمع شده و به‌عنوان جملات باکلاس مشخص وارد مجموعه‌داده می‌شود تا این چالش بزرگ را از بین ببرند. این روش قابلیت اعمال بر روی زبان‌های گوناگون را داشته و سعی بر بالابردن دقت و سرعت الگوریتم‌های پیشین دارد. نتایج ارزیابی از مجموعة داده‌ها نشان می‌دهد که روش پیشنهادی دارای دقت 0.967 می‌باشد.

presenting a new sentiment analysis method based on multi-objective archimedes optimization algorithm and machine learning

with the expansion and popularity of social networks among people, special attention has been focused on the activities, reactions, and feelings of people in these networks compared to other circles. analyzing this volume of unstructured textual information of users requires new and optimal methods of text mining and natural language processing. the purpose of sentiment analysis is to examine a large volume of opinions about an entity by the machine and provide a summarized report of the sentiment expressed in it to the user. to achieve this goal, statistical techniques, data mining, and natural language processing are used. in this article, a new method based on archimedes’ optimization algorithm is presented so that users’ opinions can be obtained in less time and with higher accuracy. also, in order to eliminate one of the main challenges in sentiment analysis, in the feature extraction phase, all ironic sentences are collected and entered into the collection as sentences with a specific class, in order to eliminate this big challenge. this method can be applied to different languages and tries to increase the accuracy and speed of previous algorithms. the evaluation results of the data set show that the proposed method has an accuracy of 0.967.