تحلیل احساس نظرات مردم در مورد خودروهای ملی ایران به کمک مدل زبانی BERT

سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

دوره 3، شماره 4 - شماره پیاپی 10، دی 1401، صفحه 51-60   

نوع مقاله: مقاله پژوهشی

نویسندگان

لیلا گنبدی¹؛ نیلوفر رنجبر^{* 2}

¹دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه خلیج فارس، بوشهر، ایران

²مربی، گروه مهندسی کامپیوتر، دانشگاه خلیج فارس، بوشهر، ایران

چکیده

امروزه با پیشرفت شبکه جهانی اینترنت و توسعه شبکه‌های اجتماعی، افراد در مورد موضوعات مختلف سیاسی و اقتصادی به تبادل نظر و گفت‌وگو می‌پردازند. با استفاده از روش‌های متن‌کاوی می‌توان به استخراج اطلاعات از این نظرات پرداخت. یکی از روش‌های تحلیل نظرات، تحلیل نظرات مبتنی بر جنبه است که به کمک آن می‌توان نظرات مردم را در مورد جنبه‌های مختلف یک موضوع تحلیل و بررسی کرد. تحلیل نظرات مردم در مورد صنعت خودروسازی و خودروهای ملی یکی از کاربردهای مهم استفاده از روش‌های متن‌کاوی در موضوعات اقتصادی است. این کار باعث مطلع شدن مدیران صنعت خودروسازی از میزان رضایت واقعی مردم از خودروهای ملی است.  برای دست­یافتن به این مهم روش‌های مختلفی ارائه شده­ است. در این مقاله ما به معرفی روشی برای استخراج جنبه‌های مختلف مربوط به خودروهای ملی می‌پردازیم، سپس به کمک مدل زبانی «برت» برای جملات مختلف، بردار استخراج­ کرده و پس از آن به کمک شبکه عصبی به دسته‌بندی آن‌ها می‌پردازیم. سپس با داشتن جنبه‌های مختلف مهم برای خودروها و این که نظر مطرح­ شده به کدام یک از این جنبه‌ها می‌پردازد و حس مطرح­ شده در نظر مثبت، منفی یا خنثی است، به تحلیل میزان رضایت مردم از جنبه‌های مختلف خودروهای ایرانی می‌پردازیم. هدف نهایی این مقاله تحلیل نظرات مردمی در مورد انواع خودروهای ملی و اجزای آن با هدف بهبود عملکرد خودروسازان است.

کلیدواژه‌ها

خودروهای ملی ایران؛ برت؛ تحلیل احساس؛ متن‌کاوی؛ یادگیری ماشین

مراجع

•  Farahani M, Gharachorloo M, Farahani M, Manthouri M. “Parsbert: Transformer-based model for persian language understanding”. Neural Processing Letters. 2021 Dec; 53:3831-47.
•  Blei DM, Ng AY, Jordan MI. “Latent dirichlet allocation”. Journal of machine Learning research. 2003;3(Jan):993-1022.
•  Pai PF, Liu CH. “Predicting vehicle sales by sentiment analysis of twitter data and stock market values”. IEEE Access. 2018 Oct 4; 6:57655-62.
•  Ali F, Kwak D, Khan P, El-Sappagh S, Ali A, Ullah S, Kim KH, Kwak KS. “Transportation sentiment analysis using word embedding and ontology-based topic modeling”. Knowledge-Based Systems. 2019 Jun 15; 174:27-42.
•  Dong J, He F, Guo Y, Zhang H. “A commodity review sentiment analysis based on BERT-CNN model”. In 2020 5th International conference on computer and communication systems (ICCCS), 2020 May 15 (pp. 143-147). IEEE.
•  Wang H, Hu X, Zhang H. “Sentiment analysis of commodity reviews based on ALBERT-LSTM”. In Journal of Physics: Conference Series, 2020 Nov 1 Vol. 1651, No. 1, p. 012022. IOP Publishing.
•  Salari S, Sedighpour N, Vaezinia V, Momtazi S. “Estimation of 2017 Iran’s presidential election using sentiment analysis on social media”. In 2018 4th Iranian Conference on Signal Processing and Intelligent Systems (ICSPIS) 2018 Dec 25 (pp. 77-82). IEEE.
• Heydari M, Khazeni M, Soltanshahi MA. “Deep learning-based sentiment analysis in persian language”. In 2021 7th International Conference on Web Research (ICWR) 2021 May 19 (pp. 287-291). IEEE.
•  Qin Z, Ronchieri E. “Exploring Pandemics Events on Twitter by Using Sentiment Analysis and Topic Modelling”. Applied Sciences. 2022 Nov 22;12(23):11924.
• Jain PK, Quamer W, Saravanan V, Pamula R. “Employing BERT-DCNN with sentic knowledge base for social media sentiment analysis”. Journal of Ambient Intelligence and Humanized Computing. 2022 Jan 25:1-3.
• Maathuis C, Kerkhof I. “The first two months in the war in Ukraine through topic modeling and sentiment analysis.” Regional Science Policy & Practice. 2023 Feb;15(1):56-74.
• Kokab ST, Asghar S, Naz S. “Transformer-based deep learning models for the sentiment analysis of social media data.” Array. 2022 Jul 1;14:100157.
• Mohseni S, Khadivar A, Abassi F. “Sentiment Analysis of Trip Advisor Comments for Iranian Restaurants With a Deep Learning Approach.” Business Intelligence Management Studies,2022, Vol. 10, Issue 40, pp:17-41.
• E, Mohammadi.Sh. “Presenting the model for opinion mining at the document feature level for hotel users' reviews.” Journal of Information and Communication Technology. 2021 Nov;49(49):85.
• Abbasi F, Khadivar A, Yazdinejad M. “Sentiment Analysis of Users for Buying on Cell Phone in Digikala.” BI Management Studies. 2020 Aug 22;8(32):181-210.
• Zare Mehrjardi F, Yazdian-Dehkordi M, Latif A, “Evaluating Machine learning and Deep-learning methods in Sentiment Analysis on Persian Telegram Message”, Soft Computing Journal, 2022 September, Vol.11 , No. 1.
• Tabatabaei S, Barati M, Bayati M. “Sentiment Analysis, Drug Industry, Hybrid Deep Learning, Convolutional And Recursive Architecture.” Intelligent Information Systems Journal. 2022 Dec 10;1(4):21-9.
• Liu X, Li Y, Shao Y, Li A, Liang J. “A sentiment analysis model for car review texts based on adversarial training and whole word mask BERT.” In Intelligent Networked Things: 5th China Conference, CINT 2022, Urumqi, China, August 7-8, 2022, Revised Selected Papers 2023 Jan 28 (pp. 107-121). Singapore: Springer Nature Singapore.
• Sharami JP, Sarabestani PA, Mirroshandel SA. Deepsentipers: Novel deep learning models trained over proposed augmented persian sentiment corpus. arXiv preprint arXiv:2004.05328. 2020 Apr 11.