کاربرد بردار سبدکلمات و شبکه‌ی عصبی برای عقیده‌کاوی پیامهای توئیتری پیرامون موضوغ «توافق برجام»

امروزه استفاده از شبکه‌های اجتماعی بخش جدایی‌ناپذیر از زندگی جوامع مدرن شده است. با توجه به تعداد بسیار زیاد پیام‌های متنی که روزانه تولید و در شبکه‌های اجتماعی منتشر می‌شود، استفاده از روش‌های یادگیری ماشین برای عقیده‌کاوی متن اهمیت چشمگیر و جایگاه کلیدی یافته است. در این مقاله، استخراج بسامد سبد کلمات اصلی به عنوان بردار ویژگی و استفاده از شبکه عصبی برای عقیده‌کاوی و طبقه‌بندی متن در سه گروه موافق، مخالف و خنثی پیشنهاد شده است. برای این منظور، مجموعه پیام‌های متنی پیرامون موضوع توافق برجام از شبکه‌ی اجتماعی توئیتر استخراج شده و پس از انجام مراحل پیش‌پردازشی، مجموعه کلمات براساس بسامد به عنوان سبد کلمات انتخاب شده است. همچنین متن پیام‌ها در سه دسته موافق، مخالف و خنثی برچسب گذاری شده است. از شبکه عصبی برای یادگیری الگو و طبقه‌بندی داده‌ها و نیز روش ارزیابی متقابل برای ارزیابی عملکرد شبکه استفاده شده است. در آزمون‌ها، متوسط دقت 80% برای طبقه‌بندی معنائی حاصل شده است. ضمنا برای ارزیابی عملکرد یادگیری شبکه عصبی، این آزمون‌ها بازاء متون پیرامون موضوع پیوستن به سازکار جهانی بانک‌ها نیز به صورت مجزاء تکرار شده و در نتایج، دقت در حد 78% به دست آمده است.

application of bag of word and neural network for twitter sentiment analysis with respect to ‘jcpoa’ keyword

nowadays using social media has become an inseparable part of daily routine of modern societies. considering the large number of text messages that are being produced and published daily on social media, using methods of machine learning for text sentiment analysis has gained significant importance and a key position. in this paper extraction of bag of words as a feature set and using a neural network for sentiment analysis and classifying texts into three groups of agree, disagree, and neutral has been suggested. to this purpose, a set of text messages on the subject of 'jcpoa' has been extracted from the twitter social media and after preprocessing, set of words has been selected based on priority as a bag of words. also, the text of messages has labeled into three classes of agree, disagree, and neutral. neural network has been used for pattern recognition and classification and also cross validation method for network performance evaluation. in the test results, an average accuracy of 80% is obtained for the sentiment classification. also, to evaluate neutral network learning performance, this test has been repeated for texts on the subject of joining the world bank mechanism separately and in result, the accuracy of 78% is gained