يك روش تركيبي براي تحليل احساسات زمينه‌اي در شبكه‌هاي اجتماعي

A Hybrid Method for Aspect-based Sentiment Analysis in Social Networks

در اين مقاله با توجه به اهميت تحليل احساسات كاربران در شبكه‌هاي اجتماعي، يك روش تركيبي در 5 مرحله پيشنهاد شده است، به طوريكه پس از پيش پردازش متن، از فرهنگ لغت VADER براي تعيين قطبيت استفاده شده است، سپس با استفاده از BoW و TF-IDF براي استخراج ويژگي استفاده مي‌شود و براي طبقه بندي آنسامبلي از رگرسيون لاجستيك، درخت تصميم و بيز ساده طراحي شده است و در نهايت براي تحليل زمينه‌اي احساسات از چندين روش خوشه بندي استفاده شده است. براي ارزيابي روش پيشنهادي از داده‌هاي آمازون، توييتر و رديت استفاده شده است و از نظر زمان اجراي الگوريتم و دقت كارايي آن گزارش شده است.

In this paper, due to the importance of analyzing users sentiments in social networks, a hybrid method is proposed in 5 steps. In this regard, after pre-processing the text, the VADER dictionary is used to determine the polarity, then BoW and TF-IDF are used for feature extraction. Also, an ensemble classifier based on logistic regression, decision tree, and Naïve Bayes is designed, and finally, several clustering methods are used for aspect-based sentiment analysis. For evaluation, the proposed algorithm is conducted on the Amazon, Twitter, and Reddit datasets the results are reported in terms of run-time and precision.