بهبود الگوريتم تحليل زمينه‌اي خودكار و خوشه‌بندي گروهي براي تحليل احساسات كاربران

تحليل احساسات يكي از مؤثرترين ابزارهايي است كه به شناخت شركت ها از مشتريان احتمالي خود كمك مي كند. يكي از مهم ترين جنبه هاي تحليل احساسات، تحليل احساسات زمينه اي و ميان‌دامنه اي است كه مي تواند كمك شاياني به بررسي مجموعه‌داده‌هاي طبقه بندي نشده بكند. در اين پژوهش با استفاده از فرهنگ لغت VADER، روش طبقه بندي گروهي، روش كيسه كلمات و روش هاي خوشه بندي كانديد الگوريتم تحليل زمينه‌اي خودكار و خوشه‌بندي گروهي، بهبود داده شده است. در روش پيشنهادي ابتدا با استفاده از فرهنگ لغت VADER فرايند برچسب زني خودكار داده ها انجام شده است و سپس براي استخراج ويژگي هاي مستقل از دامنه داده ها، طبقه بندي گروهي با LogisticRegression و RandomForestClassifier و GaussianNB بكار گرفته شده است كه از ويژگي هاي مدل هاي برداري TFIDF يا BagofWord استفاده شده است. باتوجه‌به اينكه اگر از خروجي مدل طبقه بندي گروهي به عنوان ويژگي در الگوريتم خوشه بندي استفاده شود، خوشه بندي مي-تواند براي شناسايي الگوها در داده ها و گروه بندي موارد مشابه با هم استفاده شود. در روش پيشنهادي براي تحليل زمينه اي احساسات با استفاده از نتايج طبقه بندي در روش هاي خوشه بندي K-MEANS Birch، DBSCAN، GaussianMixture و SpectralClustering به‌عنوان روش هاي خوشه بندي كانديد به تحليل زمينه اي احساسات پرداخته شده است. از نتايج اين پژوهش كه ويژگي تحليل زمينه اي احساسات در مجموعه داده هاي طبقه بندي نشده را دارد مي توان به افزايش دقت و كاهش زمان اجرا نسبت به الگوريتم معيار اشاره كرد.