عقيده‌كاوي در زبان فارسي مبتني بر يادگيري انتقالي

در دهه گذشته بررسي عقايد، احساسات و هم چنين گرايش هاي انسان‌ها نقش موثري در تصميم گيري مديران و افراد داشته است. الگوريتم هاي يادگيري ماشين نقش مهمي در زمينه عقيده كاوي دارند، اما از يك مشكل بزرگ رنج مي برند: اغلب الگوريتم هاي يادگيري ماشين فرض مي كنند كه ابعاد ويژگي و توزيع داده ها يكسان است، اما بسياري از كاربردهاي واقعي از اين فرضيات تبعيت نمي كنند. در واقع، داده هايي كه الگوريتم در آينده دريافت مي كند ممكن است داراي ابعاد و ويژگي متفاوت و يا از توزيع ديگري باشند. در اين مقاله با استفاده از يادگيري انتقالي و با تاكيد بر انتقال ويژگي، روشي نوين را براي بهبود استخراج احساسات و مفاهيم موجود در عقايد ارائه مي‌دهيم. در روش پيشنهادي، ابتدا ويژگي يا موضوع عقايد در دامنه زباني مبدأ شناسايي شده و با جمع آوري صفات، قيدها و به‌طوركلي بسته اي از احتمالاتي كه ممكن است براي يك ويژگي رخ دهد و ترجمه آن به زبان مقصد، يادگيري از زبان مبدأ به زبان مقصد انتقال مي يابد. بررسي روش پيشنهادي روي داده هاي موجود در فروشگاه اينترنتي آمازون به‌عنوان دامنه مبدأ نشان مي دهد با ايجاد الگوي انتقال ويژگي روي عقايد به زبان انگليسي، مي توان قطبيت موجود در 77 درصد نظرات كه به زبان فارسي ثبت ‌شده (در فروشگاه ديجي كالا) را كشف نمود كه نسبت به روش هاي SCL، SFA و TCA به ترتيب 9، 5 و 5 درصد افزايش بازدهي را نشان مي دهد.