به‌کارگیری ‌تکنیک‌های پردازش زبان طبیعی جهت مدل‌سازی رویدادهای سیاسی با استفاده از شبکه‌های عصبی عمیق

امروزه به دلیل گستردگی شبکه‌های اجتماعی و افزایش تعداد کاربران آن‌ها، استفاده از اطلاعات این شبکه‌ها به یکی از مسائل روز و بسیار مهم در زمینه‌های گوناگون تبدیل شده است. استفاده از تکنیک‌های پردازش زبان طبیعی برای تحلیل‌های سیاسی می‌تواند یکی از راه‌های موثر در پیشبرد اهداف جوامع مختلف در حوزه سیاست باشد.در این پژوهش برای پیش‌بینی گرایش سیاسی کاربران از یک مدل پیشنهادی یادگیری عمیق و دادگان متنی توییت‌های ارسال شده، استفاده شده است. هدف، ارائه یک مدل مناسب با دقت بالا جهت پیش‌بینی نتایج آرا برای دو زبان فارسی و انگلیسی می‌باشد. رویکرد پیشنهادی روی مجموعه داده جمع‌آوری شده به دو زبان فارسی و انگلیسی از شبکه اجتماعی توییتر مورد آزمایش و بررسی قرار گرفته و نتایج بدست آمده با نتایج روش‌های موجود مقایسه شده است. مدل پیشنهادی از یک شبکه عصبی عمیق کانولوشن با حافظه کوتاه مدت طولانی cnn bilstm تشکیل شده است به گونه‌ای که به طور همزمان هم ارتباط معنایی متن را آموزش ببیند و هم از مزیت‌های شبکه‌های عمیق cnn و bilstm استفاده کند. الگوریتم پیشنهادی برای دادگان فارسی به دقت 84.5 درصد و برای دادگان انگلیسی به دقت 96.18 درصد دست یافته است

applying natural language processing techniques for modeling political events using deep neural networks

today, due to the spread of social networks and increasing the number of users, the use of information in these networks has become one of the most important issues in various fields. using natural language processing techniques for political analysis can be one of the effective ways to improve the goals of different societies in the field of politics.in this research to predict the users' political tendency, a proposed deep learning model and twitter's text data are used. the aim is to present a suitable model with high accuracy to predict the vote results in english and persian languages. the proposed approach has been tested on the dataset collected in persian and english from the twitter social network and the results obtained have been compared with the results of the existing methods.the proposed model consists of a deep convolutional neural network with long short term memory (cnn bilstm) in such a way that it simultaneously learns the semantic relation of the text and uses the advantages of cnn and bilstm deep networks simultaneously. the proposed algorithm has achieved 84.5% accuracy for persian data and 96.18% accuracy for english data.