طبقه بندی نظرهای مشتریان با رویکرد متن کاوی و یادگیری عمیق (نمونه موردی: نظرهای کاربران وبسایت دیجی کالا) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: امروزه افراد هنگام خرید محصول یا تهیه خدمات، معیار های متفاوتی را برای تصمیم گیری در نظر می گیرند. یکی از این معیار ها، اطلاع از نظر خریداران قبلی محصولات و خدمات است؛ اما حجم زیاد نظرها نیز، چالشی است که پیش روی این افراد قرار دارد. پژوهش حاضر با هدف ایجاد مدلی جهت تحلیل احساسات کاربران و طبقه بندی نظر آن ها برای حل این چالش اجرا شده است. روش: پژوهش حاضر روی نظرهای خریداران تلفن همراه از وبسایت دیجی کالا، طی سال های ۱۳۹۴ تا ۱۳۹۵ انجام شده است. به منظور تحلیل احساسات و طبقه بندی نظرها، الگوریتم های مبتنی بر یادگیری عمیق و شبکه های پیچشی (کانوولوشن) که نوعی از شبکه های عمیق هستند، پیشنهاد شده است. در این پژوهش پس از پیش پردازش داده ها و یکسان سازی آن ها با استفاده از مدل از پیش تعلیم دیده فست تکست، کلمه ها به بردار هایی از اعداد صحیح تبدیل و به عنوان ورودی به شبکه عمیق پیشنهادی تحویل داده شدند. یافته ها: جهت تعلیم مدل منتخب این پژوهش، ۹۰ مرتبه الگوریتم آموزشی روی آن اجرا شد. برای صحت عملکرد مدل منتخب از معیار های ماتریس گیجی، دقت، بازخوانی، معیار F و میزان دقت استفاده شد. نتیجه گیری: در پژوهش حاضر با رویکرد شبکه های عمیق و با استفاده از شبکه های پیچشی و حافظه طولانی کوتاه مدت دوطرفه، پس از ۹۰ دوره آموزش، توانستیم با دقت ۹۳ درصد عقاید خریداران تلفن همراه در وبسایت دیجی کالا را طبقه بندی کنیم.Customer Reviews Classification with Text Mining and Deep Learning Approach (Case Study: Digikala Customers Reviews)
Objective
Today, people face different decision-making criteria when purchasing products and services. One of these criteria is using the reviews of the previous purchasers of products and services. A large volume of reviews is seen as a challenge for these people. The present study aimed to create a model to analyze users’ sentiments and to classify their reviews to solve the mentioned challenge.
Methodology
The present study investigated the buyers’ reviews of mobile phones purchased on the Digikala Website from 2015 to 2016. To analyze the sentiments, and to classify the reviews, deep learning-based algorithms, and convolutional networks, subtypes of deep networks, were suggested. Prior to preprocessing and homogenizing the data, the study used a pre-trained Fastext model to convert the words into integer vectors and deliver them as inputs to the proposed deep network.
Findings
To train the selected model, the training algorithm was carried out on it 90 times. To validate the performance of the selected model, confusion matrix, accuracy, recall, F1-score, and precision rate criteria were used.
Conclusion
The present study used the deep networks approach, convolutional networks, and bidirectional long short-term memory to classify the buyers’ reviews of the mobile phone from the website above at 93% accuracy, and after 90 training periods.
تبلیغات
