افقی برای تحلیل سنجمان در شبکه‌های اجتماعی بر مبنای تفسیر محتوا
محورهای موضوعی : هوش مصنوعی و رباتیک
مریم طایفه محمودی
1
*
,
امیرمنصور یادگاری
2
,
پروين احمدي
3
,
کامبیز بدیع
4
1 - گروه سامانه‌های پردازش و تحلیل داده‌ها، پژوهشکده فناوری اطلاعات، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
2 - گروه ارزيابي امنيت شبكه و سامانه ها، پژوهشكده امنيت ارتباطات و فناوري اطلاعات، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
3 - گروه سامانه‌های پردازش و تحلیل داده‌ها، پژوهشکده فناوری اطلاعات، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
4 - گروه خدمات و محتوای الکترونیکی، پژوهشکده فناوری اطلاعات، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
کلید واژه: تفسير محتوا, تحليل سنجمان, شبكه اجتماعي, راوي محتوا, پروتكل قاعده-گونه,
چکیده مقاله :
تفسير محتوا با هدف تحليل سنجمان راويان آن در شبكه هاي اجتماعي از اهميت وي‍ژه اي برخوردار است. اين اهميت عمدتاً به حساسيت محتوا در شبكه هاي اجتماعي از منظر نقش آن در اطلاع رساني و آگاهي رساني به آحاد و گروه هاي انساني باز مي گردد. در اين مقاله، چارچوبي براي تحليل سنجمان بر روي محتواهاي پيچيده در شبكه اجتماعي ارائه مي شود كه با استفاده از پروتكل هايي از نوع قواعد اگر- آنگاه كه در سطح انتزاع بالا تعريف شده اند، قادر است تا پيام مضموني مستتر در يك محتوا را براي كاربران شبكه هاي اجتماعي طبقه بندي نموده و از اين طريق آنان را در حد امكان با اصل محتوا آشنا سازد. طبق اين چارچوب، مواردي از قبيل لحن/ آهنگ اداي كلام، همبافت انتشار محتوا و گزاره هاي كليدي در متن محتوا، در بخش مقدم پروتكل و طبقات ممكنه از پيام مستتر در يك محتوا در بخش تالي پروتكل قرار مي گيرد. شايان ذكر است كه پروتكل هاي قاعده گونه پيشنهادي، بخاطر خاصيت تعميم پذيري كه در موارد فوق نهفته قابل تسري به ساير زبان ها مي باشد. نتايج حاصل از شبيه سازي رايانه اي بر روي طيف قابل ملاحظه اي از محتواهاي گوناگون در شبكه هاي اجتماعي حاكي از آن است كه اين چارچوب از توانايي لازم براي تحليل سنجمان راويان مربوطه برخوردار مي باشد.
Interpreting contents in social networks with the aim of analyzing the sentiment of their narrators is of particular significance. In this paper, we present a framework for such a purpose, which is able to classify the messages hidden in contents based on using some rule-type protocols with high abstraction level. According to this framework, items such as prosodic of a content's narrator, context of disseminating a content and the key propositions in a content's text are regarded in the condition part of a protocol, while the possible classes for the message in a content are considered as its action part. It is to be noted that the proposed rule-type protocols can equally be used for other languages due to the generic-ness of the above-mentioned items. Results of computer simulations on a variety of different contents in the social networks show that the proposed framework is sufficiently capable of analyzing the sentiment of the contents' narrators in these networks.
]1[ رجبی، زینب، محمدرضا ولوی و مریم حورعلی، "مروری بر روش¬های تحلیل احساس در متون فارسی"، فصلنامه پردازش علائم و داده‌ها، شمارة 2 پیاپی 52، 1401.
]2 [عسگریان، احسان، محسن کاهانی و شهلا شریفی، "حس نگار: شبکه واژگان حسی فارسی"، فصلنامه پردازش علائم و داده‌ها، شمارة 1 پیاپی 35، 1401.
]3[ علی‌مردانی، سعیده، عبداله آقایی، "ارائة روش نظارتی برای نظرکاوی در زبان فارسی با استفاده از لغت‌نامه و الگوریتم "SVM، نشریه مدیریت فناوری اطلاعات دانشکده مدیریت دانشگاه تهران، دوره 7 شماره 2، 1394.
[4] E. Asgarian, M. Kahani and S. Sharifi, "The impact of sentiment features on the sentiment polarity classification in Persian reviews", Cognitive Computation, vol. 10, no.1, pp. 117- 135, 2018.
[5] R. Dehkharghani, "SentiFars: A Persian Polarity Lexicon for Sentiment Analysis", ACM Transactions on Asian and Low Resource Language Information Processing, vol. 19, no. 2, pp. 21, 2019.
]6[ مرادی، مهدی، پروین خسروی‌زاده، و بهرام وزیرنژاد، "ساخت پیکره‌های نشانه‌گذاری‌شده با رویکرد وب به عنوان پیکره"، دومین هم‌اندیشی زبان‌شناسی رایانشی، تهران، 1391.
]7 [نجف‌زاده، محسن.، سعید راحتی قوچانی و رضا قائمی، "یک چارچوب نیمه نظارتی مبتنی بر لغت نامه وفقی خودساخت جهت تحلیل نظرات فارسی"، فصلنامه پردازش علائم و داده‌ها، جلد ۱۵ شماره ۲، صفحه 89-102، 1397.
[8] E. Cambria, "An introduction to concept-level sentiment analysis", in Proceedings of Mexican International Conference on Artificial Intelligence, Springer, Berlin, Heidelberg, November 2013, pp. 478-483.
[9] E. Cambria, B. Schuller, Y. Xia, and C. Havasi, "New avenues in opinion mining and sentiment analysis", IEEE Intelligent systems, vol. 28, no.2, pp.15-21. 2013.
[10] N. Ofek, S. Poria, L. Rokach, E. Cambria, A. Hussain, and A. Shabtai, "Unsupervised commonsense knowledge enrichment for domain-specific sentiment analysis", Cognitive Computation, vol. 8, no. 3, pp. 467-477, 2016.
[11] Z. Rajabi, M. Valavi, and M. Hourali, "A model for enriching sentiment lexicon based on semantic knowledge base", in Proceedings of 10th Iranian C4I Conference, Iran, 2017.
]12 [رجبی، زینب، مریم حورعلی و محمدرضا ولوی، "ارائه یک مدل مبتنی بر زمینه برای رفع ابهام از مفاهیم حسی با کمک دانش عرفی"، فصلنامة علمی - پژوهشی فرماندهی و کنترل، سال دوم، شمارة 2، تابستان 1397.
[13] K. P. P. Shein, "Ontology based combined approach for sentiment classification", in Proceedings of the 3rd International Conference on Communications and information technology, December 2009, pp. 112-115.
[14] A. Sureka and D. Correa, "Generating domain-specific ontology from common-sense semantic network for target specific sentiment analysis", in Proceedings of the 5th International Conference of the Global WordNet Association. Mumbai, India, 2010.
[15] E. Kontopoulos, C. Berberidis, T. Dergiades, and N. Bassiliades, "Ontology-based sentiment analysis of twitter posts", Expert systems with applications, vol. 40, no.10, pp. 4065-4074, 2013.
[16] B. Agarwal, N. Mittal, P. Bansal, and S. Garg, "Sentiment analysis using common-sense and context information", Computational Intelligence and Neuroscience, vol. 2015.
[17] B. Agarwal, and N. Mittal, "Sentiment analysis using conceptnet ontology and context information", Prominent Feature Extraction for Sentiment Analysis, Springer, Cham, 2016, pp. 63-75.
[18] F. Amiri, S. Scerri, and M. Khodashahi, "Lexicon-based sentiment analysis for Persian text", In Proceedings of the International Conference on Recent Advances in Natural Language Processing, 2015, September, pp. 9-16.
[19] A. Bagheri, and M. Saraee, "Persian sentiment analyzer: A framework based on a novel feature selection method", International Journal of Artificial Intelligence, vol. 12, no.2, pp. 115-129, 2014.
[20] E. Vaziripour, C. Giraud-Carrier, and D. Zappala,"Analyzing the political sentiment of tweets in Farsi", in Proceedings of the 10th International AAAI Conference on Web and Social Media, March 2016.
[21] S. S. Sadidpour, H. Shirazi, N. M. Sharef, B. Minaei-Bidgoli, and M. E. Sanjaghi, "Context-sensitive opinion mining using polarity patterns", International Journal of Advanced Computer Science and Applications, vol. 7, no. 9, 2016.