طبقه‌بندی نظرهای مشتریان با رویکرد متن‌کاوی و یادگیری عمیق (نمونه موردی: نظرهای کاربران وبسایت دیجی‌کالا)

هدف: امروزه افراد هنگام خرید محصول یا تهیه خدمات، معیار‌های متفاوتی را برای تصمیم‌گیری در نظر می‌گیرند. یکی از این معیار‌ها، اطلاع از نظر خریداران قبلی محصولات و خدمات است؛ اما حجم زیاد نظرها نیز، چالشی است که پیش‌ روی این افراد قرار دارد. پژوهش حاضر با هدف ایجاد مدلی جهت تحلیل احساسات کاربران و طبقه‌بندی نظر آن‌ها برای حل این چالش اجرا شده است. روش: پژوهش حاضر روی نظرهای خریداران تلفن همراه از وبسایت دیجی‌کالا، طی سال‌های 1394 تا 1395 انجام شده است. به‌منظور تحلیل احساسات و طبقه‌بندی نظرها، الگوریتم‌های مبتنی بر یادگیری عمیق و شبکه‌های پیچشی (کانوولوشن) که نوعی از شبکه‌های عمیق هستند، پیشنهاد شده است. در این پژوهش پس از پیش‌پردازش داده‌ها و یکسان‌سازی آن‌ها با استفاده از مدل از پیش تعلیم‌دیده فست تکست، کلمه‌ها به بردار‌هایی از اعداد صحیح تبدیل و به‌عنوان ورودی به شبکه عمیق پیشنهادی تحویل داده شدند. یافته‌ها: جهت تعلیم مدل منتخب این پژوهش، 90 مرتبه الگوریتم آموزشی روی آن اجرا شد. برای صحت عملکرد مدل منتخب از معیار‌های ماتریس گیجی، دقت، بازخوانی، معیار f و میزان دقت استفاده شد.نتیجه‌گیری: در پژوهش حاضر با رویکرد شبکه‌های عمیق و با استفاده از شبکه‌های پیچشی و حافظه طولانی کوتاه‌مدت دوطرفه، پس از 90 دوره آموزش، توانستیم با دقت 93 درصد عقاید خریداران تلفن همراه در وبسایت دیجی‌کالا را طبقه‌بندی کنیم.

customer reviews classification with text mining and deep learning approach (case study: digikala customers reviews)

objectivetoday, people face different decision-making criteria when purchasing products and services. one of these criteria is using the reviews of the previous purchasers of products and services. a large volume of reviews is seen as a challenge for these people. the present study aimed to create a model to analyze users’ sentiments and to classify their reviews to solve the mentioned challenge.methodologythe present study investigated the buyers’ reviews of mobile phones purchased on the digikala website from 2015 to 2016. to analyze the sentiments, and to classify the reviews, deep learning-based algorithms, and convolutional networks, subtypes of deep networks, were suggested. prior to preprocessing and homogenizing the data, the study used a pre-trained fastext model to convert the words into integer vectors and deliver them as inputs to the proposed deep network.findingsto train the selected model, the training algorithm was carried out on it 90 times. to validate the performance of the selected model, confusion matrix, accuracy, recall, f1-score, and precision rate criteria were used.conclusionthe present study used the deep networks approach, convolutional networks, and bidirectional long short-term memory to classify the buyers’ reviews of the mobile phone from the website above at 93% accuracy, and after 90 training periods.