شبکه های اجتماعی به عنوان مهمترین عضو دنیای مجازی برای جمع آوری منبع عظیمی از داده‌های غیر ساخت یافته و دانش پنهان وجود دارند. نتایج کاربردی حاصل از تحلیل و بررسی احساسات پنهان در متون غیر ساختار یافته کاربران، باعث توجه بیش از پیش سازمان‌های مالی و تجاری مختلف به این حوزه شده است.این مسئله باعث معرفی حوزه تحلیل احساس مبتنی بر تکنیک‌های یادگیری ماشین شد.مطالعات مبتنی بر شبکه‌های عصبی عمیق به صورت انفرادی و یا ترکیبی هستند.در بسیاری از روش‌ها دو شبکه عمیق به صورت مجزا ترکیب شده‌اند که نتایج موفقی ارائه نداده اند. دراین تحقیق در راستای تحلیل احساس در حوزه داروسازی ، ترکیب دو شبکه عصبی عمیق کانولوشنی و شبکه عصبی بازگشتی GRU در یک معماری واحد، انجام شده است.ترکیب مناسب لایه‌های دو شبکه فوق در یک معماری عمیق و همچنین استفاده از شبکه تعبیه کلمات پیش آموزش دیده FastText باعث شده معماری پیشنهادی در مقایسه با معماری‌های ترکیبی دیگر به نتایج موفق‌تری دست یابد. نتایج تجربی معماری عمیق ترکیبی پیشنهادی بر روی داده‌های Drug reviews نشان می‌دهد که مدل پیشنهادی توانسته به صحت 90.70% دست یابد که در مقایسه با روش‌های پیشین در حدود 2.2% صحت تحلیل احساس را در صنعت دارو بهبود بخشیده است.
Tabatabaei S, Barati M, Bayati M. Sentiment Analysis, Drug Industry, Hybrid Deep Learning, Convolutional And Recursive Architecture.. 3 2022; 1 (4) : 3 URL: http://jiis.iauh.ac.ir/article-1-23-fa.html
طباطبائی شایان، براتی مهدی، بیاتی مریم. تحلیل احساس در نظرات مشتریان صنعت داروسازی با استفاده از یادگیری عمیق. 1. 1401; 1 (4) :21-29
