Signal and Data Processing

fa تشخیص پیام‌های درخواست و غیر درخواست در شبکه‌های اجتماعی با رویکردهای ترکیبی Recognizing request and non-request messages in social networks with combined approaches مقالات پردازش متن Paper پژوهشي Research <div style="text-align: justify;">امروزه با رشد روزافزون استفاده از شبکه‌های اجتماعی، حجم داده‌های تولیدشده روبه‌افزایش است؛ از طرفی کسب‌وکارهای زیادی در شبکه‌های اجتماعی مختلف فعالیت دارند؛ به همین دلیل تشخیص نیازمندی‌های کاربران برای بازاریابان در شبکه‌های اجتماعی یکی از نیازمندی‌های توسعه کسب‌وکارهای اینترنتی و تجارت الکترونیکی است؛ ازاین‌رو تشخیص خودکار پیام‌های درخواست و به نوعی فیلترینگ آن‌ها در متون فارسی حائز اهمیت است. پژوهش حاضر با هدف بهبود تشخیص پیام‌های درخواست در مجموعه پیام‌های ارسال‌شده در پیامرسان‌ها انجام شده‌است. امروزه شبکه‌های اجتماعی به ‌راحتی در دسترس‌اند؛ ازاین‌رو پیام‌ها در شبکه‌های اجتماعی متفاوت با متون ادبی است. پیام‌ها در شبکه‌های اجتماعی دارای داده‌های اضافی و عامیانه‌اند؛ از طرف دیگر واژه‌ها نیز شامل غلط‌های املایی فراوان‌اند؛ بنابراین مقابله با این پیام‌ها یک چالش محسوب می‌شود. در این پژوهش ابتدا پیش‌پردازش و حذف داده‌های اضافی مورد بررسی قرار گرفته‌است. برای مقابله با دیگر چالش‌های مطرح‌شده روش پیشنهادی در حین حفظ ارزش واژه‌ها، با غلط‌های املایی نیز مقابله کرده‌است. پس از استخراج ویژگی‌های مناسب، یک مدل ترکیبی مبتنی بر شبکه‌های عصبی عمیق برای فرایند تشخیص پیام‌های درخواست و طبقه‌بندی طراحی شد. در مرحله ارزیابی، آزمایش‌های جامعی برای تحلیل عملکرد مدل پیشنهادی پیاده‌سازی شد. مطابق نتایج به‌دست‌آمده precision، recall و f-score روش پیشنهادی، تقریباً برابر 90درصد است و در مقایسه با روش‌های پیشین ارائه‌شده، به طور میانگین 5 درصد بهبود یافت. </div> <div style="text-align: justify;"></div> The aim of the request recognition task in social networks is to understand the intent behind the posts, comments, or messages shared by users. Many businesses are actively present on various social networks, making it crucial to identify user needs for marketers in this space to foster the growth of online businesses and e-commerce. Detecting request messages automatically and filtering them is essential. However, social network messages often contain slang and numerous spelling errors, posing challenges for research in this domain. While extensive research has been conducted in English, studies on this task in Persian are limited. Telegram stands out as the most popular social network in Iran, with a large Persian-speaking user base. This study utilized a standard labeled Persian dataset from Telegram for training and testing purposes, comprising 85741 messages from the platform, evenly split between request and non-request categories. To tackle the significant challenges posed by sarcastic messages and spelling mistakes on social media platforms, we devised a multi-step hybrid strategy. The initial step involves preprocessing. Social media data typically consists of unstructured and slang-ridden user messages, necessitating preprocessing to enhance Persian text processing and reduce slang usage. The pre-processing phase is crucial when dealing with social media platforms. Because Telegram is unique compared to other platforms the data cleaning process varies. This study's accomplishment includes developing a unique dataset and filtering out noise from Telegram enhancing improvement in the pre-processing phase. Also, this involves normalizing different word forms, such as "beautiful" and "beauty," to maintain the integrity of word meanings. The subsequent step focuses on feature extraction. Various approaches to feature extraction come with their own set of advantages and drawbacks. Hence, we employed hybrid feature extraction methods to address this complexity. While Tf-Idf methods assess word importance without considering meaning, FastText retains semantic similarity. By combining the bag of words and <a name="_Hlk181444942">FastText </a>methods, our research aims to enhance accuracy. The final step involves classification, where deep learning networks are utilized to evaluate these features. Experimental findings indicate that our final model achieves precision, recall, and f-score rates of nearly 90%, representing a 5% improvement on average compared to previous methodologies. تجارت الکترونیکی, تشخیص درخواست, شبکه‌های اجتماعی, پیام‌رسان, روش مبتنی بر یادگیری عمیق e-commerce, request detection, social networks, messaging, deep-learning based method. 39 52 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2383-1&slc_lang=fa&sid=1 pardis moradbeiki پردیس مرادبیکی p.moradbeiki@ec.iut.ac.ir 100319475328460013479 100319475328460013479 No Phd Student, Department of Electrical and Computer Engineering, Isfahan University of Technology, Isfahan, Iran دانشجوی دکترای دانشکده مهندسی برق و کامپیوتر دانشگاه صنعتی اصفهان، ایران alireza basiri علیرضا بصیری basiri@iut.ac.ir 100319475328460013480 100319475328460013480 Yes Assistant Professor of Electrical and Computer Engineering Department, Isfahan University of Technology, Isfahan, Iran استادیار دانشکده برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران