تحلیل احساس در پردازش زبان طبیعی چیست و چگونه انجام می‌شود؟

Sentiment Analysis چیست؟

تحلیل احساسات (Sentiment Analysis) یا به عبارت دقیق‌تر، تحلیل احساسات متنی، فرایندی است که با استفاده از الگوریتم‌های یادگیری ماشین، احساسات، نظرات و هیجانات موجود در یک متن را شناسایی می‌کند. به‌طور دقیق‌تر، تحلیل احساسات به معنای تشخیص و استخراج احساسات مثبت، منفی و بی‌طرف در یک متن است.

این فرایند بسیار مهم است، زیرا امروزه افراد بسیاری در شبکه‌های اجتماعی، وبلاگ‌ها، سایت‌های خبری، فروم‌ها و غیره، نظرات و احساسات خود را در مورد موضوعات مختلف به‌اشتراک می‌گذارند. تحلیل احساسات به کمک الگوریتم‌های یادگیری ماشین، به کسب دانش و پیش‌بینی واکنش افراد به موضوعات مختلف کمک می‌کند و در بسیاری از زمینه‌ها مورد استفاده قرار می‌گیرد. به‌عنوان مثال، در تحلیل بازاریابی، تحلیل احساسات به کمک بررسی نظرات مشتریان در مورد محصولات به شرکت‌ها کمک می‌کند تا بهترین راه‌حل‌ها را برای بهبود محصولات خود پیدا کنند.

به‌طور کلی، نرم‌افزارهای تحلیل احساسات به دو دسته تقسیم می‌شوند: روش‌های مبتنی بر لغت‌نامه و روش‌های مبتنی بر یادگیری ماشین. در روش‌های مبتنی بر لغت‌نامه، بار معنایی کلمات و عبارات در یک لغت‌نامه ذخیره می‌شوند و با استفاده از آن احساسات یک متن شناسایی می‌شود. در روش‌های مبتنی بر یادگیری ماشین نیز با استفاده از الگوریتم‌های یادگیری، مدلی برای تشخیص احساسات در متون ساخته می‌شود.

تحلیل احساس به چه صورتی انجام می‌شود؟

همان‌گونه که اشاره کردیم، تحلیل احساس با پردازش زبان طبیعی، فرایندی است که به کمک الگوریتم‌های یادگیری ماشین، متن‌ها را بررسی کرده و احساسات موجود در آن‌ها را شناسایی می‌کند. در این فرایند، متون و اسناد مختلف به‌شکل مجموعه داده‌ها در نظر گرفته می‌شوند و سپس با استفاده از الگوریتم‌های مختلف، احساسات موجود در آن‌ها شناسایی می‌شوند. برای تحلیل احساس، به‌طور کلی از روش‌های سه‌گانه زیر استفاده می‌شود:

تشخیص نوع احساس: در این مرحله، به دنبال تشخیص احساسی هستیم که در متن وجود دارد، این احساس می‌تواند مثبت، منفی یا بی‌طرف باشد.

استخراج اطلاعات: در این مرحله، به دنبال استخراج اطلاعات مرتبط با احساس هستیم. به‌عنوان مثال، ممکن است در یک متن، دلایلی برای ابراز احساسی خاص وجود داشته باشد که در این مرحله باید شناسایی شود.

تفسیر نتایج: در این مرحله، نتایج به‌دست‌آمده از مرحله‌های قبلی، تفسیر می‌شوند و به‌عنوان خروجی نهایی یک گزارش تولید می‌شود که شامل توضیحاتی درباره احساسات و دلایلی است که باعث شده این احساسات در متن شکل بگیرند. 

روش‌های مبتنی بر LSTM  برای تحلیل احساسات

شبکه‌های عصبی بازگشتی (RNN)، قابلیت‌های درخشانی در اختیار ما قرار داده‌اند، اما به‌دلیل برخی کاستی‌ها، جای خود را به معماری‌های پیشرفته‌تری مثل LSTM دادند که قادر هستند تحلیل احساسات را به‌شکل بهتری انجام دهند. LSTM یک نوع از شبکه‌های عصبی بازگشتی است که برای حل مشکل ناپدید شدن گرادیان در شبکه‌های عصبی بازگشتی، طراحی شده است. در این شبکه‌ها، یک واحد حافظه به نام سلول حافظه (Memory Cell) به کار می‌رود که می‌تواند اطلاعات را در طول زمان نگه دارد و از این طریق از ناپدید شدن گرادیان جلوگیری کند.

برای تحلیل احساسات با استفاده از LSTM، ابتدا متن ورودی به شبکه داده می‌شود. سپس، این متن با استفاده از لایه‌های LSTM پردازش می‌شود و برای هر کلمه، یک بردار ویژگی استخراج می‌شود. این بردار ویژگی با توجه به وزن‌های مختلفی که در شبکه تعیین شده‌اند، ترکیب می‌شوند و در نهایت، یک بردار ویژگی نهایی برای هر متن تولید می‌شود.

سپس، از این بردار ویژگی برای تشخیص نوع احساس استفاده می‌شود. به‌عنوان مثال، اگر بردار ویژگی یک متن، بیشترین شباهت را با بردارهای مثبت داشته باشد، آن متن به‌عنوان یک متن مثبت شناسایی می‌شود. استفاده از شبکه‌های عصبی بازگشتی مانند LSTM برای تحلیل احساسات، مزایایی همچون قابلیت پردازش متون بلند، درک بهتر از مفهوم جملات و توانایی در تشخیص احساسات پنهان در متون را دارد.

آیا شبکه‌های عصبی بازگشتی دیگری به غیر از LSTM برای تحلیل احساسات وجود دارند؟

بله، شبکه‌های عصبی بازگشتی دیگری به غیر از LSTM نیز برای تحلیل احساسات استفاده می‌شوند. به‌عنوان مثال، شبکه‌های عصبی بازگشتی ساده (Simple RNN) و واحد بازگشتی دروازه‌شده (GRU سرنامGated Recurrent Unit) نیز از شبکه‌های عصبی بازگشتی هستند که می‌توانند برای تحلیل احساسات استفاده شوند.

در شبکه‌های عصبی بازگشتی ساده، هر واحد بازگشتی یک ورودی و یک خروجی دارد و وابستگی به حالت‌های گذشته را با استفاده از یک وزن بازگشتی ایجاد می‌کند. با این حال، شبکه‌های عصبی بازگشتی ساده با مشکل ناپدید شدن گرادیان روبه‌رو هستند و به‌خوبی برای پردازش دنباله‌های طولانی مناسب نیستند. GRU یک نوع از شبکه‌های عصبی بازگشتی است که برای حل مشکل ناپدید شدن گرادیان و برخورداری از قابلیت‌های LSTM طراحی شده است. در این شبکه، از گیت‌هایی برای کنترل جریان اطلاعات در سلول حافظه استفاده می‌شود که رویکرد فوق باعث می‌شود که این شبکه نسبت به شبکه‌های عصبی بازگشتی ساده، بهتر در پردازش دنباله‌های طولانی عمل کند. بنابراین، علاوه بر LSTM، شبکه‌های عصبی بازگشتی دیگری نیز برای تحلیل احساسات استفاده می‌شوند که انتخاب گزینه مناسب به نیاز و شرایط مختلف یک پروژه، بستگی دارد.

چگونه تحلیل احساس را در پایتون پیاده‌سازی کنیم؟

برای پیاده‌سازی تحلیل احساس در پایتون، می‌توانید از کتاب‌خانه‌های موجود برای این زبان استفاده کنید که برخی از آن‌ها به‌شرح زیر هستند:

کتاب‌خانه TextBlob

کتاب‌خانه TextBlob یکی از پرکاربردترین کتاب‌خانه‌های پایتون برای تحلیل احساسات است. با استفاده از آن می‌توانید به‌سادگی احساسات موجود در یک متن را تشخیص دهید. فرآیند استفاده از این کتاب‌خانه، بسیار ساده و قابل فهم است. برای مثال، فرض کنید می‌خواهید احساس یک متن را تشخیص دهید. در اینجا یک مثال ساده با استفاده از کتاب‌خانه TextBlob ارائه شده است:

from textblob import TextBlob

text = “I love this product. It’s amazing!”

blob = TextBlob(text)

print(“Polarity:”, blob.sentiment.polarity)

print(“Subjectivity:”, blob.sentiment.subjectivity)

در این مثال، یک متن مشخص شده است و با استفاده از کتاب‌خانه TextBlob، احساس موجود در آن تشخیص داده می‌شود. با استفاده از ویژگی sentiment.polarity، می‌توانید عددی را که نشان‌دهنده میزان احساس مثبت یا منفی بودن متن است بررسی کنید. همچنین، با استفاده از ویژگی sentiment.subjectivity، میزان شخصیت‌پذیری متن نیز بررسی می‌شود.

در این مثال، خروجی این برنامه به‌شرح زیر است:

Polarity: 0.625

Subjectivity: 0.6

این نتایج نشان می‌دهد که متن مورد نظر، بار احساسی مثبت و همچنین شخصیت‌پذیری متوسطی دارد. به‌طور کلی، کتاب‌خانه TextBlob یکی از راه‌های ساده و سریع برای تحلیل احساسات متون است.

کتاب‌خانه NLTK

کتاب‌خانه NLTK سرنام Natural Language Toolkit، یکی از معروف‌ترین کتاب‌خانه‌های پایتون در زمینه پردازش زبان طبیعی است که در حوزه تحلیل احساسات نیز کاربرد دارد. این کتاب‌خانه شامل ابزارهای مفیدی برای پردازش متون و تحلیل احساسات است. در ادامه، یک مثال ساده از نحوه استفاده از کتاب‌خانه NLTK برای تحلیل احساس را مورد بررسی قرار می‌دهیم:

import nltk

from nltk.sentiment import SentimentIntensityAnalyzer

nltk.download(‘vader_lexicon’)

text = “I love this product. It’s amazing!”

sia = SentimentIntensityAnalyzer()

sentiment = sia.polarity_scores(text)

print(sentiment)

در این مثال، با استفاده از کتاب‌خانه NLTK، احساس درون یک متن مشخص شده است. با استفاده از کلاس SentimentIntensityAnalyzer، می‌توانید احساس متن را تحلیل کنید. سپس، با استفاده از ویژگی polarity_scores، می‌توانید امتیاز احساس مثبت، منفی و بی‌طرف متن را بررسی کنید. در مثال فوق، خروجی این برنامه به‌شرح زیر است:

{‘neg’: 0.0, ‘neu’: 0.196, ‘pos’: 0.804, ‘compound’: 0.7351}

این نتایج نشان می‌دهد که متن مورد نظر، احساس مثبت دارد و امتیاز بار احساسی مثبت آن برابر با 0.804 است. همچنین، امتیاز بی‌طرفی متن 0.196 و امتیاز احساس منفی آن 0.0 است. نکته مهمی که باید در این بخش به آن اشاره داشته باشیم، ویژگی‌های neg، neu و pos در کتاب‌خانه NLTK است که مربوط به نتایج تحلیل احساسات متن هستند که توسط کلاس SentimentIntensityAnalyzer در دسترس قرار دارند. این ویژگی‌ها به‌شرح زیر هستند:

• Neg: امتیاز احساس منفی متن است. این ویژگی میزان احتمال وجود احساس منفی در متن را نشان می‌دهد و مقدار آن بین 0 تا 1 است.
• neu: امتیاز بی‌طرفی متن است. این ویژگی میزان احتمال وجود بی‌طرفی در متن را نشان می‌دهد و مقدار آن بین 0 تا 1 است.
• pos: امتیاز احساس مثبت متن است. این ویژگی میزان احتمال وجود احساس مثبت در متن را نشان می‌دهد و مقدار آن بین 0 تا 1 است.

در این ویژگی‌ها، مقدار بالاتر برای هر کدام از آن‌ها نشان‌دهنده‌ بیشتر بودن میزان همان ویژگی در متن است. در مثال قبل، مقدار pos برابر با 0.804 بود که نشان می‌دهد متن بار احساسی مثبت دارد. 

علاوه بر این ویژگی‌ها، ویژگی compound نیز وجود دارد که نشان‌دهنده‌ میزان کلی احساس متن است. مقدار این ویژگی بین 1- تا 1 است که به‌صورت زیر محاسبه می‌شود:

• مقدار بیشتر از 0: نشان می‌دهد که متن شامل احساس مثبت است.
• مقدار کمتر از 0: نشان می‌دهد که متن شامل احساس منفی است.
• مقدار 0: نشان می‌دهد که متن بی‌طرف است.

در مثال قبل، مقدار compound برابر با 0.7351 بود که نشان می‌دهد متن شامل احساس مثبت است. به‌طور کلی، کتاب‌خانه NLTK یکی از راه‌های ساده و سریع برای تحلیل احساسات متون است و می‌تواند در پروژه‌های بزرگ و کوچک به‌کار گرفته شود.

کتاب‌خانه VaderSentiment

کتاب‌خانه VaderSentiment یکی از ابزارهای قدرتمند برای تحلیل احساسات در متن است که بر اساس الگوریتمی به‌نام

VADER سرنامValence Aware Dictionary and sEntiment Reasoner طراحی شده است. در ادامه، یک مثال ساده از نحوه استفاده از کتاب‌خانه VaderSentiment برای تحلیل احساس را مورد بررسی قرار می‌دهیم.

from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer

text = “I love this product. It’s amazing!”

sia = SentimentIntensityAnalyzer()

sentiment = sia.polarity_scores(text)

print(sentiment)

در این مثال، با استفاده از کتاب‌خانه VaderSentiment، احساس درون متن مشخص شده است. با استفاده از کلاس SentimentIntensityAnalyzer، می‌توانید احساس متن را تحلیل کنید. سپس، با استفاده از ویژگی polarity_scores، می‌توانید امتیاز احساس مثبت، منفی و بی‌طرف متن را بررسی کنید. در این مثال، خروجی این برنامه به‌شرح زیر است:

{‘neg’: 0.0, ‘neu’: 0.196, ‘pos’: 0.804, ‘compound’: 0.7351}

این نتایج نشان می‌دهد که متن مورد نظر احساس مثبت دارد و امتیاز احساس مثبت آن برابر با 0.804 است. همچنین، امتیاز بی‌طرفی متن 0.196 و امتیاز احساس منفی آن 0.0 است. به‌طور کلی، کتاب‌خانه VaderSentiment یکی از راه‌های ساده و سریع برای تحلیل احساسات متون است و می‌تواند در پروژه‌های بزرگ و کوچک به‌کار گرفته شود.

کتاب‌خانه VaderSentiment برای تحلیل احساسات متن‌های انگلیسی به‌خوبی کار می‌کند، اما برای متن‌های فارسی قابلیت استفاده مستقیم ندارد. دلیل این موضوع این است که این کتاب‌خانه بر اساس یک لغت‌نامه‌ای مبتنی بر زبان انگلیسی‌ برای تحلیل احساسات طراحی شده است و به‌خوبی با زبان انگلیسی سازگار است. برای تحلیل احساسات متن‌های فارسی می‌توان از روش‌های دیگری استفاده کرد. به‌عنوان مثال، می‌توان از دیکشنری‌های لغت‌نامه‌ای فارسی برای تحلیل احساسات استفاده کرد. همچنین، برخی الگوریتم‌های استخراج ویژگی‌های متن مانند TF-IDF و Word2Vec نیز می‌توانند برای تحلیل احساسات متن‌های فارسی به‌کار گرفته شوند. به هر حال، برای تحلیل احساسات متن‌های فارسی به‌دلیل تفاوت‌های زبانی و فرهنگی با زبان انگلیسی، نیاز به روش‌های مختلف و تخصصی‌تر است و ممکن است دقت و کارایی کمتری نسبت به زبان انگلیسی داشته باشد.

کتاب‌خانه Scikit-learn

کتاب‌خانه Scikit-learn یکی دیگر از ابزارهای قدرتمند برای تحلیل احساس متن است که می‌توانید به کمک آن احساس یک متن را تحلیل کنید. نحوه استفاده از کتاب‌خانه Scikit-learn برای تحلیل به‌شرح زیر است:

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.svm import LinearSVC

# مثالی از داده‌های آموزشی

train_texts = [‘This is a positive text’, ‘This is a negative text’, ‘This is a 

neutral text’]

train_labels = [‘positive’, ‘negative’, ‘neutral’]

# تبدیل داده‌های آموزشی به بردارهای ویژگی با استفاده از TF-IDF

vectorizer = TfidfVectorizer()

train_features = vectorizer.fit_transform(train_texts)

# استفاده از مدل LinearSVC برای آموزش مدل

model = LinearSVC()

model.fit(train_features, train_labels)

# مثالی از داده‌های تست

test_text = ‘This is a very positive text’

# تبدیل داده تست به بردار ویژگی با استفاده از TF-IDF

test_feature = vectorizer.transform([test_text])

# پیش‌بینی احساس متن تست با استفاده از مدل آموزش داده شده

predicted_label = model.predict(test_feature)

print(predicted_label)

در این مثال، ابتدا با استفاده از داده‌های آموزشی، یک مدل ساده برای تحلیل احساسات سه نوع متن (مثبت، منفی و بی‌طرف) با استفاده از الگوریتم LinearSVC آموزش داده شده است. سپس، با استفاده از بردارهای ویژگی TF-IDF، داده‌های آموزشی به بردارهایی از ویژگی‌های متن تبدیل شده‌اند. در پایان، با استفاده از داده‌ تست، احساس متن تست با استفاده از مدل آموزش‌داده‌شده پیش‌بینی شده و نتیجه به‌صورت برچسب مثبت، منفی یا بی‌طرف چاپ می‌شود. این مثال نشان می‌دهد که با استفاده از کتاب‌خانه Scikit-learn و الگوریتم‌های مختلف می‌توانید به‌راحتی احساس درون یک متن را تحلیل کنید.

تحلیل احساسات در چه زمینه‌هایی کاربرد دارد؟

تحلیل احساسات به‌عنوان یکی از مهم‌ترین کاربردهای پردازش زبان طبیعی، در بسیاری از زمینه‌های کاربردی مورد استفاده قرار می‌گیرد. در زیر به برخی از کاربردهای این تکنیک پرداخته شده است:

• تحلیل نظرات مشتریان: تحلیل احساسات متن‌های نظرات مشتریان درباره یک محصول یا خدمت، به شرکت‌ها و فروشگاه‌ها کمک می‌کند تا از نظرات مشتریان خود در مورد کیفیت محصول، خدمات و مشکلات موجود آگاه شوند و اقدامات لازم را برای بهبود کیفیت و رضایت مشتریان انجام دهند.
• تحلیل خبرها و رسانه‌ها: تحلیل احساسات متن‌های خبری و رسانه‌ای می‌تواند به‌منظور کاوش اطلاعات، بررسی رویدادها و تحلیل احساسات جامعه مورد استفاده قرار گیرد. همچنین، این تحلیل می‌تواند به‌منظور پیش‌بینی رویدادهای آینده و تغییرات در بازار و سیاست‌ها به‌کار گرفته شود.
• ارزیابی احساسات در شبکه‌های اجتماعی: تحلیل احساسات متن‌های ارسالی در شبکه‌های اجتماعی، به شرکت‌ها و سازمان‌ها کمک می‌کند از نظرات و احساسات کاربران درباره یک محصول، خدمت یا یک رویداد خاص آگاه شوند و اقدامات لازم را برای بهبود رضایت کاربران انجام دهند.
• تحلیل احساسات در زمینه بهداشتی و پزشکی: تحلیل احساسات متن‌های مربوط به بیماران، به‌منظور تشخیص و درمان بیماری‌های روانی و عصبی، پیش‌بینی رفتارهای بیماران و تحلیل احساسات خانواده‌های بیماران مورد استفاده قرار می‌گیرد.

کلام آخر

تحلیل احساسات به‌عنوان یکی از مهم‌ترین کاربردهای پردازش زبان طبیعی در بسیاری از زمینه‌های کاربردی مورد استفاده قرار می‌گیرد و می‌تواند به شرکت‌ها، سازمان‌ها، دولت‌ها، پژوهشگران و افراد علاقه‌مند در ارتقاء کیفیت خدمات، تحلیل رفتار انسانی و پیش‌بینی رفتارهای آن‌ها در آینده کمک کند