2

fa یادگیری عمیق در تحلیل احساسات کاربران شبکه های هوشمند سرمایه گذاری Deep Learning in Sentiment Analysis of Investment Smart Networks Users تخصصي Special پژوهشي Research تحلیل داده‌های سهام شرکت ها یکی از روش‌های مهم برای ارزیابی عملکرد و ارزش شرکت‌ها و انتخاب بهترین گزینه برای سرمایه‌گذاری در بازارهای مالی است. در این مقاله، مجموعه داده نظرات کاربران شبکه هوشمند سرمایه‌گذاری سهام یاب با هدف تحلیل احساسات کاربران گردآوری شده است. ابتدا الگوریتم‌های درخت تصمیم، ماشین بردار پشتیبان، بیزین ساده و نزدیکترین همسایه پیاده‌سازی شدند؛ که بردار پشتیبان با صحت 61 درصد بهترین عملکرد را به‌دست آورد. سپس برای مقایسه این الگوریتم‌های یادگیری سنتی با الگوریتم‌های یادگیری عمیق، شبکه‌های LSTM و BERT به زبان فارسی و BERT به زبان انگلیسی پیاده سازی شدند. این مدل ها به ترتیب با صحت های 72 ، 82 و 83 درصد عملکرد بهتری نسبت به الگوریتم های سنتی داشتند. در ادامه مدل LSTM با استفاده از الگوریتم فرا ابتکاری ژنتیک با هدف به دست آوردن هایپر پارامترهای بهینه پیاده سازی شد که به صحتی برابر با 46/81 درصد رسید. در فاز پایانی، الگوریتم BRET دو زبانه با ترکیب متن فارسی نظرات و معنای انگلیسی آن‌ها پیاده سازی شد و به عملکرد 84 درصد دست یافت. انتظار می‌رود استفاده از این مدل بتواند به بهبود عملکرد سیستم‌های پیش‌بینی کننده و توصیه گر در سایت‌های اقتصادی کمک نماید.   Analyzing company stock data is one of the important methods for evaluating the performance and value of companies and choosing the best option for investing in financial markets. In this article, the data collection of the opinions of the users of the smart investment network of stock finder has been collected with the aim of analyzing the sentiments of the users. First decision tree, support vector machine, simple Bayesian and nearest neighbor algorithms were implemented; that the support vector achieved the best performance with 61 % accuracy. Then to compare these traditional learning algorithms with deep learning algorithms, LSTM and BERT networks were implemented in Farsi and BERT in English. These models performed better than traditional algorithms with accuracy of 72, 82 and 83 % respectively.Next the LSTM model was implemented using the meta-heuristic algorithm of genetics with the aim of obtaining optimal hyper-parameters, which reached an accuracy of 81.46 %. In the final phase, the bilingual BRET algorithm was implemented by combining the Persian text of comments and their English meaning and achieved a performance of 84 %. It is expected that the use of this model can help improve the performance of predictive and recommender systems in economic sites.   پردازش زبان طبیعی, تحلیل احساسات, یادگیری عمیق, شبکه عصبی, سیستم‌های توصیه‌گر Natural Language Processing, Sentiment Analysis, Deep Learning, Neural Network, Recommender Systems 21 36 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-41-1&slc_lang=fa&sid=1 Nasrin Salehi Chegeni نسرین صالحی چگنی 100319475328460097 100319475328460097 Yes IAU, Khorramabad دانشگاه آزاد اسلامی واحد خرم آباد Saba Joudaki صبا جودکی 100319475328460098 100319475328460098 No IAU, Khorramabad دانشگاه آزاد اسلامی واحد خرم آباد Mojtaba Salehi مجتبی صالحی 100319475328460099 100319475328460099 No IAU, Khorramabad دانشگاه آزاد اسلامی واحد خرم آباد