رویکردی جدید برای ارتقا طبقه‌بندی احساسات نقدهای فارسی با استفاده از شبکه عصبی کانولوشنی و طبقه‌بند رای اکثریت

با توجه به توسعه سریع برنامه‌های کاربردی مبتنی‌بر اینترنت همانند رسانه‌های اجتماعی، تجزیه و تحلیل احساسات به یکی از حوزه‌های تحقیقاتی پرکاربرد پردازش زبان طبیعی و یک ابزار مهم استخراج نظرات از متون تبدیل شده است. چراکه حجم بسیار بزرگی از نظرات و نقدها امروزه از طریق رسانه‌های اجتماعی ایجاد می‌شود و این نظرات از اهمیت زیادی برخوردار هستند. با این حال، تحلیل و خلاصه‌سازی دستی آن‌ها نیاز به صرف وقت و هزینه زیادی دارد. از این رو تحلیل احساسات پا به عرصه گذاشته تا با ایجاد یک سیستم خودکار به سازماندهی و تحلیل آن‌ها بپردازد. طی سال‌های اخیر استفاده از یادگیری عمیق در تحلیل احساسات نتایج قدرتمندی را از خود نشان داده است. با این حال، ایجاد یک مدل به تنهایی ممکن است بهترین پیش‌بینی‌ها را ارائه ندهد و دچار خطاهایی همانند بایاس و واریانس بالا شود. در راستای کاهش این خطاها و ارتقا کارآیی پیش‌بینی‌های‌ مدل، ترکیب چندین مدل که به عنوان یادگیری گروهی شناخته می‌شود، ممکن است نتایج بهتری را ارائه دهد. از این رو، هدف اصلی این مقاله ایجاد یک مدل مبتنی‌بر یادگیری گروهی با استفاده از چندین شبکه‌ عصبی کانولوشنی و طبقه‌بند رای اکثریت است تا به ارتقا تحلیل احساسات در نقدهای فارسی بپردازد. مدل پیشنهادی بروری دو مجموعه داده نقدهای محصولات الکترونیکی و فیلم‌های سینمایی توسط اعتبارسنجی 5-بخشی و 10-بخشی ارزیابی شد. نتایج بدست آمده حاکی از آن است که این رویکرد جدید سبب افزایش کارآیی مدل تحلیل احساسات در زبان فارسی می‌شود.

A Novel Approach for Enhancing Sentiment Classification of Persian Reviews Using Convolutional Neural Network and Majority Voting Classifier

Due to the rapid development of Internet-based applications such as social media, sentiment analysis has become one of the most widely used research areas of natural language processing and an important tool for extracting opinions from texts. Because a huge number of comments and reviews are generated today through social media, and these comments are very significant. However, manually analyzing and summarizing them requires a lot of time and money. Therefore, sentiment analysis has entered the field to organize and analyze them by creating an automated system. In recent years, the use of deep learning in sentiment analysis has shown powerful results. However, creating a model alone may not provide the best predictions and lead to errors such as bias and high variance. To reduce these errors and improve the efficiency of model predictions, combining several models known as ensemble learning may provide better results. Therefore, the main purpose of this article is to create a model based on ensemble learning using Several convolutional neural networks and majority voting classifiers to enhance sentiment analysis in Persian reviews. The proposed model was evaluated on two datasets of reviews of electronic products and movies by 5-part and 10-part validation. The results indicate that this new approach increases the efficiency of the sentiment analysis model in Persian language.