مدل یادگیری مبتنی بر شبکه‌های عصبی بازگشتی و رمزنگار مبدل برای تحلیل احساسی دیدگاه‌های وب‌سایت اسنپ‌فود

همگامی گسترش اینترنت و استفاده‌ی کاربران از وب‌سایت‌های فروشگاهی و شبکه‌های اجتماعی، منجر به فراهم‌سازی زمینه‌های پژوهشی و تجاری گوناگونی در حوزه‌ی پردازش زبان‌های طبیعی شده است. یکی از زمینه‌های مورد توجه، تحلیل احساسات نهفته در دیدگاه‌های گردآوری شده به زبان فارسی می‌باشد که با چالش‌های متعددی همچون عدم وجود مجموعه داده‌های استاندارد و تکنیک‌های کارآمد برای مدلسازی دنباله‌ای همراه است. در پژوهش جاری، مدلی مبتنی بر شبکه‌های عصبی بازگشتی و رمزنگار مبدل با هدف تحلیل احساسات نفهته در دیدگاه‌ها معرفی خواهد شد که به میزان دقت 86.28% و f-score 85.99% بر روی مجموعه دیدگاه‌های وب‌سایت اسنپ‌فود دست یافته است.

snappfood sentiment analysis based on recurrent neural networks and transformer encoder

synchronization of the expansion of the internet and users usage from store websites and social networks has led to the provision of various research and commercial fields in natural language processing. one of the areas of interest is the hidden sentiments analysis in the opinions collected in the persian language, which is associated with several challenges, like the lack of standard data sets and efficient techniques for sequence modeling. in this paper, a model based on recurrent neural networks and a transformer encoder will be introduced with the aim of hidden sentiments analysis in viewpoints, which has achieved an accuracy of 86.28% and an f-score of 85.99% on the set of viewpoints of the snapfood website.