محبوبه مسلمی - دانشجوی کارشناسی ارشد مهندسی نرم افزار، دانشگاه آزاد اسلامی واحد قزوین
حسن رشیدی - دانشکده علوم ریاای و کامپیوتر، دانشگاه علامه طباطبایی

امروزه تعداد مشتریانی که از فروشگاههای اینترنتی استفاده میکنند رو به افزایش است، اما تصمیمگیری از روی تصویر و توضیحات محصول برای خرید، مشکل میشود. از طرفی مشتریان، نظرات کاربران را در مورد یک محصول، قابل اطمینان و بدون گرایش تصور میکنند. با اینوجود، زمانیکه نظرات در مورد یک محصول خاص بیش از اندازه زیاد باشد، بررسی تمام نظرات از حوصلهی مشتری خارج میشود. بنابراین تحلیل نظرات مشتریان برای استخراج اطلاعات ارزشمند یکی از مسایل مهم و چالش برانگیز است. در این مقاله، بهمنظور دستهبندی نظرات کاربران درفروشگاههای مجازی، از الگوریتم جنگل تصادفی که روشی مبتنی بر تکنیک یادگیری دسته جمعی است استفاده میشود، در این روش دستهبندهای مورد استفاده درختهای تصمیمگیری هستند. یکی از پارامترهای مهم و موثر در دقت دستهبندی، تعداد درختان در جنگل است. هر یک از درختانموجود در جنگل به تنهایی کارایی زیادی نداشته و در واقع قدرت تشخیص جنگل به برآیند قدرت کلیهی درختان وابسته است. پس از بررسی تعداد درختان جنگل مشاهده کردیم، جنگلی که با استخراج ویژگی مبتنی بر رویکرد معنایی ساخته شده، نتایج بدتری در مقایسه با استخراج ویژگی مبتنی بر رویکرد آماری در پی داشته و کارایی الگوریتم به شدت افت کرده است و همچنین با افزایش تعداد درختان، قدرت تشخیص جنگل افزایش مییابد.

ایدهکاوی، جنگل تصادفی، درخت تصمیم، دادهکاوی، فروشگاه مجازی، یادگیری دستهجمعی