ارائه ی مدل پیش بینی کننده تحلیل احساسات کاربران از شهر مبتنی بر شبکه ی اجتماعی توئیتر؛ نمونه مطالعاتی: کلان شهرهای ایران
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 71
This Paper With 18 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISAU-14-2_018
تاریخ نمایه سازی: 30 اردیبهشت 1403
Abstract:
تحلیل احساسات کاربران از طریق شبکه های مجازی، به حوزه ای موثر در علوم مختلف تبدیل شده و مخاطبان آن نه تنها صاحبان شرکت ها و سیاست مدارن، بلکه کاربران هستند. در این میان این حوزه در مطالعات شهری هم نفوذ کرده و به دلیل روش مندی آن؛ چه در قالب پژوهش هایی که صرفا تحلیل احساس را هدف خود قرار داده اند و چه به صورت لایه ای تلفیقی در پژوهش ها مورد استفاده برنامه ریزان و طراحان شهری قرار گرفته است. مقاله ی پیش رو با هدف تبیین این حوزه در تحلیل احساسات شهری در قالب روش های مدل گرا بر آن است تا با بررسی اهمیت احساس و روش های مطرح بررسی آن در شهر، جایگاه این حوزه را در مطالعات شهری نشان دهد و در ادامه به آموزش ماشین برای ارائه ی مدل پیش بینی کننده برای تحلیل احساسات شهر بپردازد. مجموعه ی داده های این پژوهش مربوط به ۸ کلان شهر ایران است که از توئیتر استخراج شده و تحلیل داده های متنی مورد توجه قرار گرفته است. به منظور آموزش ماشین برای تحلیل احساسات از یادگیری ماشین و یادگیری عمیق بهره برده شده و نتایج آنها با هم مقایسه شده است. الگوریتم های مورد استفاده در یادگیری ماشین، ماشین بردار پشتیبان، رگرسیون لجستیک و درخت تصمیم بوده و در یادگیری عمیق، ماشین با استفاده از شبکه ی عصبی و شبکه ی هیبریدی آموزش و تست شده است. براساس نتایج یادگیری عمیق برای پیش بینی احساسات و قطبیت متن در کلان شهرهای ایران بهتر عمل کرده و دقتی برابر با ۸۰ داشته است.
Keywords:
Authors
مریم محمدی
دانشیار، گروه طراحی شهری، دانشکده معماری و شهرسازی، دانشگاه هنر، تهران، ایران/ پژوهشگر، گروه آمار، دانشکده ریاضی، دانشگاه واترلو، واترلو، کانادا.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :