تحليل احساسات و نظرات در متن با هدف كاربرد در سيستم‌هاي توصيه‌گر

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

روش‌هاي كلاسيك مورد استفاده در حوزه سيستم‌هاي توصيه‌گر مانند فيلترينگ مشاركتي عمدتاً بر امتيازات و داده‌هاي عددي تكيه دارند و در نتيجه، نه‌تنها از اطلاعات متني ارزشمندي كه حاوي نكات كليدي درباره‌ي ترجيحات كاربران و ويژگي‌هاي ظريف آيتم‌ها هستند غافل مي‌مانند، بلكه در مواجهه با پراكندگي يا كمبود داده‌هاي عددي نيز با افت دقت روبه‌رو مي‌شوند. در اين پژوهش با هدف رفع محدوديت‌هاي روش‌هاي سنتي سيستم‌هاي توصيه‌گر، چارچوبي جديد مبتني بر مدل‌سازي جست‌وجو‌محور ارائه شد كه در آن با بهره‌گيري از متن نظرات نوشته‌شده، كاربران به‌صورت "كوئري وزن‌دار آگاه از احساس" و آيتم‌ها به‌صورت "سند متني" بازنمايي شدند. در اين رويكرد، سيگنال‌هاي احساسي و معنايي استخراج‌شده از تحليل نظرات كاربران توسط معماري تركيبي دو مدل يادگيري عميق BiLSTM و CNN در هسته‌ي مدل احتمالاتي QLM ادغام گرديد تا علاوه بر جبران ضعف داده‌هاي عددي پراكنده، امكان شناسايي ترجيحات پنهان كاربران نيز فراهم شود. براي پيش‌بيني امتيازات، دو رويكرد مبتني بر QLM طراحي شد. در رويكرد مستقيم، شباهت ميان كوئري وزندار كاربر و سند آيتم محاسبه و به‌طور مستقيم به يك امتياز ترجمه مي‌شود. اين روش ساده و سريع است اما تنها بر اساس انطباق يك‌به‌يك عمل مي‌كند. در مقابل، رويكرد غيرمستقيم ابتدا كاربران مشابه را بر پايه‌ي شباهت كوئري‌ و سند شناسايي مي‌كند و سپس با تجميع امتيازات واقعي آن‌ها، پيش‌بيني نهايي توليد مي‌شود. به اين ترتيب، رويكرد غيرمستقيم علاوه بر توجه به ترجيحات فردي، از الگوهاي جمعي كاربران نيز بهره مي‌گيرد و در نتيجه مدلي غني‌تر و پايدارتر نسبت به رويكرد مستقيم ارائه مي‌دهد. يافته‌هاي آزمايش‌ها نشان داد كه مدل پيشنهادي توانست نسبت به روش‌هاي مرجع همچون CF ، SVD و SVD++ عملكرد دقيق‌تر و كاراتري داشته باشد و خطاهاي پيش‌بيني نهايي را كاهش دهد. به‌ويژه، تركيب رويكرد پيشنهادي غيرمستقيم با SVD++ بهترين نتايج را به همراه داشت و نشان داد كه ادغام سيگنال‌هاي متني و احساسي با ساختارهاي نهفته‌ي ماتريسي نه‌تنها موجب كاهش خطاهاي بزرگ‌تر مي‌شود، بلكه تعادل بهتري ميان دقت عددي و معيار‌هاي دسته‌بندي ايجاد مي‌كند . به‌طور كلي، نتايج اين پژوهش نشان داد كه هم‌افزايي ميان مدل‌سازي زباني-احساسي و روش‌هاي كلاسيك مي‌تواند بستري جديد و قابل اتكا براي توسعه سيستم‌هاي توصيه‌گر هوشمند در سناريوها و پلتفرم‌هاي واقعي فراهم كند.

237456

علوم داده

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان