روجیار پیرمحمدیانی

تحلیل احساسات مبتنی بر جنبه به‌عنوان یکی از حوزه‌های مهم در پردازش زبان طبیعی، نقش بسزایی در بهبود تصمیم‌گیری‌های استراتژیک و توسعه کسب‌وکارهای مختلف ایفا می‌کند. این روش با تمرکز بر استخراج احساسات مرتبط با جنبه‌های خاص محصولات، خدمات یا موضوعات، امکان تحلیل دقیق‌تر نظرات کاربران را فراهم می‌آورد. رشد شبکه‌های اجتماعی و افزایش حجم داده‌های متنی، فرصت مناسبی برای سازمان‌ها ایجاد کرده است تا با تحلیل این داده‌ها، نقاط قوت و ضعف خود را شناسایی و تجربه مشتری را بهبود بخشند. روش‌های سنتی معمولاً احساس کلی متن را بررسی کرده و قادر به تمایزگذاری میان احساسات مرتبط با مؤلفه‌های مختلف نیستند. برای حل این چالش، ابتدا داده‌های متنی از نظرات کاربران استخراج و ویژگی‌های معنایی آن‌ها با بهره‌گیری از مدل‌های زبان‌آموزی پیشرفته مانند DeBERTa پردازش شدند. سپس، از یک لایه ادغام گیت‌دار برای ترکیب اطلاعات زمینه‌ای کلی و جنبه‌های خاص متن استفاده شد که موجب بهبود دقت تحلیل احساسات شد. برای استخراج ویژگی‌ها، از بردار توکن CLS که نماینده متن کلی است، استفاده گردید و برای هر جنبه از بردارهای تعبیه سازی شده، مقدار میانگین محاسبه شد.نتایج ارزیابی مدل‌ها نشان داد که مدل پیشنهادی عملکرد مطلوبی در شناسایی احساسات در مجموعه داده‌های مربوط به لپ‌تاپ‌ها و رستوران‌ها داشته است. دقت کلی مدل برای داده‌های لپ‌تاپ 68/86% و برای داده‌های رستوران 43/91% به‌دست آمد. این نتایج نشان‌دهنده کارایی مدل در شناسایی احساسات در داده‌های مختلف و پتانسیل بالای آن برای کاربردهای گسترده در ارزیابی نظرات مشتریان و تحلیل بازار است.