2

fa تحلیل احساس در نظرات مشتریان صنعت داروسازی با استفاده از یادگیری عمیق Sentiment Analysis, Drug Industry, Hybrid Deep Learning, Convolutional And Recursive Architecture. تخصصي Special پژوهشي Research 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.   Social media are very popular environments for their users to exchange opinions. The sharing of users' opinions in these environments along with the daily increase of users who join these media has created a huge source of unstructured data that contains a huge amount of hidden knowledge. The practical results obtained from the analysis and investigation of the hidden emotions in the unstructured texts of the users have caused financial and commercial organizations and governments and various organizations to pay more attention to this field. This issue and its importance led to the introduction of the field of sentiment analysis based on machine learning techniques. Traditional machine learning methods, although they have provided relatively good results in this field, but compared to deep learning and deep neural networks, the results are not very promising. Recently, most studies are based on deep neural networks individually or combined. In combined methods, the way of combining two types of deep architecture has a great impact on their results. In many methods, two deep networks are combined separately, and these models could not provide completely successful results. In this research, the combination of two deep convolutional neural networks and GRU recurrent neural network in a single architecture has been introduced in line with sentiment analysis in the field of pharmaceuticals and regarding drugs.The appropriate combination of the layers of the above two networks in a deep architecture as well as the use of the word embedding technique and the FastText pre-trained word embedding network have made the proposed architecture achieve more successful results compared to other combined architectures. The experimental results of the proposed hybrid deep architecture on Drug reviews data show that the proposed model has achieved 90/70% accuracy, which has improved the accuracy of sentiment analysis by about 2/2% compared to previous methods. The above results indicate that the proposed hybrid deep model, which combines two types of deep networks in one network, as well as the use of pre-trained word embedding network, has a successful performance in sentiment analysis in the pharmaceutical industry.   تحلیل احساس,صنعت داروسازی,احساسات پنهان,شبکه عصبی,تحلیل احساسات در صنعت داروسازی Sentiment Analysis, Drug Industry, Hybrid Deep Learning, Convolutional And Recursive Architecture. 21 29 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-31-1&slc_lang=fa&sid=1 Shayan Tabatabaei شایان طباطبائی shayantabatabaei@gmail.com 100319475328460031 100319475328460031 Yes Mehdi Barati مهدی براتی ac.barati@yahoo.com 100319475328460032 100319475328460032 No موسسه عالی سپاهان Maryam Bayati مریم بیاتی m.bayati@sepahan.ac.ir 100319475328460033 100319475328460033 No موسسه عالی راغب