شماره مدرك
21064
شماره راهنما
18067
پديد آورنده
سلطاني نژاد، محمدرضا
عنوان
تحليل احساسات و نظرات در متن با هدف كاربرد در سيستمهاي توصيهگر
مقطع تحصيلي
كارشناسي ارشد
گرايش تحصيلي
علوم داده
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
سال دفاع
1404
صفحه شمار
دوازده، 100ص. : مصور، جدول، نمودار
توصيفگر ها
سيستم توصيهگر , تحليل احساسات , مدل زباني درست نمايي كوئري , فيلترينگ مشاركتي , پراكندگي داده
تاريخ ورود اطلاعات
1405/03/02
كتابنامه
كتابنامه
رشته تحصيلي
مهندسي كامپيوتر
دانشكده
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات
1405/03/03
كد ايرانداك
23223958
چكيده فارسي
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.
چكيده انگليسي
Classical recommender system approaches, such as collaborative filtering (CF), mainly rely on numerical ratings and statistical similarities. Consequently, they often overlook valuable textual information that contains critical insights into user preferences and subtle item characteristics. Moreover, these methods typically suffer from a significant drop in accuracy when faced with sparse or imbalanced rating data. To address these limitations, this study proposes an innovative retrieval-based framework in which users are represented as sentiment-aware weighted queries and items as textual documents. In this framework, emotional and semantic signals extracted from user reviews are incorporated into the core of the probabilistic Query Likelihood Model (QLM) through a hybrid deep learning architecture combining BiLSTM and CNN. This integration not only compensates for the shortcomings of sparse numerical data but also enables the discovery of users’ hidden and fine-grained preferences. To predict ratings, two QLM-based strategies were developed: a direct approach, which translates query–document matching probabilities into predicted ratings, and an indirect approach, which aggregates the real ratings of semantically similar users. Experimental results showed that the proposed model outperformed baseline methods such as CF, SVD, and SVD++, with a significant reduction in prediction errors. In particular, the indirect QLM approach combined with SVD++ achieved the best overall performance, showing that integrating textual and sentiment signals with latent matrix-based structures not only reduces large prediction errors but also establishes a better balance between numerical accuracy and classification metrics. Overall, the findings indicate that the synergy between sentiment-aware language modeling and classical approaches provides an innovative, accurate, and reliable foundation for building intelligent recommender systems in real-world scenario and platforms.
استاد راهنما
عليرضا بصيري
استاد داور
زينب مالكي , حسين فلسفين