تحلیل احساسات کاربران در سایتهای فروش محصولات با رویکرد استخراج ویژگی و طبقه بندی باLSTM

سایتهای فروش آنلاین در سالهای اخیر رشد قابل توجه ای در دنیا داشته اند و با شیوع پاندمی کرونا فروش آنها رو به افزایش گذاشته است . ارایه دهندگان خدمات فروش آنلاین بشدت نیاز به تعامل با مشتریان خود دارند تا بتوانند رضایت آنها را در فروش تامین نمایند. برای این منظور در سایتهای فروش آنلاین ، بخش هایی برای ارسال نظرات مشتریان در نظر گرفته شده است . مشتریان می توانند نظرات خود را در مورد محصولات با احساسات مثبت ، خنثی و منفی بیان کنند. یکی از روشهای تحلیل احساس کاربران بکارگیری روشهای یادگیری ماشین و یادگیری عمیق است . در بیشتر پژوهش ها فقط تحلیل احساسات مشتریان در نظر گرفته شده است اما تحلیل احساسات مبتنی بر جنسیت آنها مورد توجه قرار گرفته نشده است . در این مقاله یک روش ترکیبی مبتنی بر طبقه بندی با روش شبکه عصبی مصنوعی MLP و یادگیری عمیق از نوع LSTM برای تحلیل جنسیت نویسنده متن و احساسات آنها در مورد محصولات ارایه شده است . در روش پیشنهادی مقاله فاز انتخاب ویژگی با استفاده از روش PCA انجام شده و در بخش تحلیل جملات از پیش پردازش زبانهای طبیعی استفاده شده است . ارزیابی ها در این پژوهش در نرم افزار متلب انجام شده است و نتایج نشان داد روش پیشنهادی برای تشخیص جنسیت نویسنده دارای دقت ۵۲,۹۶% است و این در حالی است که دقت شبکه عصبی مصنوعی چند لایه ۲۶,۹۴% و دقت روش LSTM برابر ۶۷,۹۵% است . در تحلیل احساسات کاربران دیجی کالا روش پیشنهادی دقت و صحت برابر ۶۴,۸۹%، و ۵۴,۸۸% است و از روشهای رگرسیون لجستیک ، درخت تصمیم گیری و جنگل تصادفی دقت بیشتری دارد. روش پیشنهادی یک الگوریتم طبقه بندی کننده برای تحلیل احساس کاربران است و برای آنکه روی هر زبان نگارشی اجراء شود نیاز به ورودی های مناسب برای شبکه عصبی دارد. در روش پیشنهادی هر سطر مجموعه داده یک نظر و ستونهای آن یک ویژگی است و می توان این ماتریس را برای هر زبان نگارشی ایجاد و به عنوان ورودی مجموعه داده اجراء نمود. روش پیشنهادی در تشخیص احساسات کاربران در سایتهای خارجی نیز مانند سایت فروش آمازون اجراء شده است . و نتایج نشان می دهد روش پیشنهادی سایت آمازون از روشهای شبکه بیزین ، لجستیک رگرسیون، روش شمارش کلمات، جنگل تصادفی و نزدیکترین همسایه دقت بیشتری دارد.

Keywords:

تحلیل احساسات , سایتهای فروش , یادگیری ماشین , یادگیری عمیق , شبکه MLP , شبکه LSTM