پديد آورندگان :
عارفي، سميه مؤسسه آموزش عالي صفاهان، اصفهان , بصيري، محمد احسان دانشگاه شهركرد - دانشكده فني و مهندسي , روزمند، اميد دانشگاه اصفهان پرديس شهرضا - گروه مهندسي كامپيوتر
كليدواژه :
تحليل متن , تحليل سبك , استخراج ويژگي , انتخاب ويژگي و شناسايي نويسنده
چكيده فارسي :
رشد فزاينده ي استفاده از رسانه‌هاي اجتماعي و ارتباطات برخط به‌منظور بيان نظرات، تبادل عقايد و همچنين گسترش استفاده ي كاربران فارسي زبان از اين ابزارها باعث افزايش متون فارسي در وب شده است. اين رشد چشمگير در كنار سوء ستفاده هاي ناشي از ناشناس بودن نويسندهي نوشته ها نياز به سامانه ي خودكار شناسايي نويسنده در اين زبان را بيش از پيش آشكار مي‌سازد. هدف از اين پژوهش، بررسي ويژگي‌هاي مؤثر در شناسايي نويسندگان نظرات فارسي توليد شده توسط خريداران گوشي و همچنين ارزيابي روش‌هاي نظارتي و غيرنظارتي مي‌باشد. عواملي كه در اين پژوهش بررسي مي شود شامل ويژگي‌هاي لغوي، نگارشي، معنايي، ساختاري، دستوري، مختص متن و مختص شبكه‌هاي اجتماعي است. پس از استخراج ويژگي‌هاي مذكور، انتخاب ويژگي‌هاي برتر توسط چهار الگوريتم همبستگي ويژگي، نسبت بهره، OneR و تحليل اجزاي اصلي آزمايش مي شود. در ادامه از الگوريتم هاي K-means، EM و خوشه بندي مبتني بر چگالي براي خوشهبندي و الگوريتم هاي شبكه ي بيز، جنگل تصادفي و Bagging براي دسته بندي استفاده خواهد شد. ارزيابي الگوريتم‌هاي فوق بر روي نظرات فارسي مربوط به خريداران گوشي‌هاي سامسونگ نشان ميدهد كه بهترين تشخيص در بين الگوريتم هاي خوشهبندي با دقت 59/16% مربوط به الگوريتم EM روي 15 ويژگي برتر انتخابي توسطOneR است درحالي‌كه الگوريتم جنگل تصادفي به‌همراه نسبت بهره براي 90 ويژگي با دقت 79/57% بهترين كارايي را در بين الگوريتم هاي دسته بندي دارد. همچنين مقايسه‌ي ويژگي‌ها نشان داد كه ويژگي‌هاي نگارشي بيشترين تأثير را در شناسايي نويسنده ي متون كوتاه داشته و پس از آن به‌ترتيب ويژگي‌هاي لغوي ، مختص متن، مختص شبكه‌هاي اجتماعي، ساختاري، دستوري و معنايي قرار گرفتند.
چكيده لاتين :
The growing use of social media and online communication to express opinions, exchange ideas, and also the expanding use of of this platforms by Persian users has increased Persian texts on the Web. This remarkable growth, along with abusive use of the writer's anonymity, reveals the need for the author's automatic identification system in this language. In this research, the purpose of the study is to investigate the factors affecting the identification of authors of Persian reviews produced by cell-phone buyers and also to evaluate supervised and unsupervised methods. The factors considered in this research include lexical, syntactic, semantic, structural, grammatical, text-specific, and specific to social networks. After extracting these features, selecting the best features is tested by four algorithms including feature correlation, gain ratio, OneR, and principal components analysis. In the following, K-means, EM and density-based clustering will be used for clustering and Bayesian network, random forest, and Bagging will be used for categorization. The evaluation of the above algorithms on Persian comments of Samsung phone buyers indicates that the best performance among the clustering algorithms is 59/16% obtained by the EM algorithm on top-15 features selected by OneR, while the random forest algorithm using top-90 features selected by gain ratio with 79/57% achieves the best performance among the classification algorithms. Also, the comparison of features showed that syntactic features had the most effect on the identification of the author of short texts, and then, lexical, text-specific, specific to social networks, structural, grammatical and semantic features, respectively.
