fa یک چارچوب نیمه‌نظارتی مبتنی بر لغت‌نامه وفقی خودساخت جهت تحلیل نظرات فارسی مقالات پردازش متن Paper كاربردي Applicable <div style="text-align: justify;"><strong><span style="font-family:b nazanin;">با معرفی وب 2.0 و 3.0 تعاملات کاربران در فضای مجازی، منجر به ایجاد انبوهی از نظرات ارزشمند شده است. با توجه به‌دشواری یا عدم امکان تحلیل و بررسی دستی این نظرات، تحلیل احساس متن و یا نظرکاوی به‌عنوان یکی از زیرمجموعه‌های پردازش زبان طبیعی مطرح شد. تلاش‌های محدودی در نظرکاوی فارسی نسبت به سایر زبان‌ها صورت گرفته است. در این مقاله برای نخستین بار، یک چارچوب نیمه‌نظارتی برای نظرکاوی فارسی ارائه شده است. درضمن، ازآنجاکه یکی از آخرین پیشرفت‌های علمی در نظرکاوی زبان فارسی الگوریتمی بر اساس استخراج الگوهای حسی وفقی (حساس به مجموعه‌داده) مبتنی بر خبره انسانی است، در این پژوهش ضمن ارتقای الگوریتم یادشده، تعیین برچسب‌های حاوی احساس به کمک یک لغت‌نامه خودساخت (بدون نیاز به خبره انسانی) وفقی انجام می‌گیرد؛ همچنین کاربرد دسته‌بند مدل مخفی مارکوف خودناظر بر روی خصیصه‌های یادشده در کنار قوانین مبتنی بر معیار شباهت برای فرآیند نظرکاوی بررسی ‌شده‌است. در راستای خودآموزسازی هوشمند، روشی برای ارزیابی قابلیت اطمینان بالای خروجی، ارائه ‌شده‌است که خودآموزی به‌شرط وجود آن انجام می‌پذیرد. روش پیشنهادی با اجرا بر روی دادگان مبنا نرخ صحت نود درصد (باوجود عدم نیاز به خبره انسانی) را که در مقایسه با روش‌های نظارتی و نیمه‌نظارتی مستقل از خبره موجود برتری قابل‌ملاحظه‌ای دارد، خروجی می‌دهد؛ همچنین این الگوریتم نیمه‌نظارتی هنگام استفاده از مجموعه آموزش کوچک با نسبت مجموعه دادگان آموزش/آزمون ده به نود نیز بررسی و با نرخ صحت 80% قابلیت اطمینان آن به اثبات رسید.</span></strong><strong><span dir="LTR"></span></strong></div> <div style="text-align: justify;"><strong>With the appearance of Web 2.0 and 3.0, users&rsquo; contribution to WWW has created a huge amount of valuable expressed opinions. Considering the difficulty or impossibility of manually analyzing such big data, sentiment analysis, as a branch of natural language processing, has been highly considered. Despite the other (popular) languages, a limited number of research studies have been conducted in Persian sentiment analysis. In this study, for the first time, a semi-supervised framework is proposed for Persian sentiment analysis. Moreover, considering that one of the most recent studies in Persian, is an algorithm based on extracting adaptive (dataset-sensitive) expert-based emotional patterns. In this research, extraction of the same state-of-the-art emotional patterns is proposed to be performed automatically. Moreover, application of the HMM classifier, by utilizing the mentioned features (as its states) is analyzed; and additionally, HMM-based sentiment analysis is upgraded by being combined with a rule-based classifier for the opinion assignment process. In addition, toward intelligent self-training, a criterion for evaluating, the high reliability of output is presented by which (assuming satisfaction of the criterion) the self-training process is performed in &ldquo;lexicon-extraction&rdquo; and &ldquo;classifier,&rdquo; as learning systems. The proposed method, by being applied on the basis dataset, provides 90% of accuracy (despite its expert-independent lexicon generation nature), which in comparison with the supervised and semi-supervised methods in the state-of-the-art has a considerable superiority. Moreover, this semi-supervised method is evaluated by a 10/90 ratio of train/ test and its reliability is demonstrated by providing 80% of accuracy.</strong></div> <div style="text-align: justify;"></div> نظرکاوی, یادگیری خودناظر, لغت‌نامه خودساخت, مدل مخفی مارکوف, لغت‌نامه وفقی Opinion Mining, Self-training, Self-constructed Lexicon, Hidden Markov Model, Adaptive Dictionary 89 102 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1260-1&slc_lang=fa&sid=1 Mohsen Najafzadeh محسن نجف‌زاده mohsen.najafzadeh@mshdiau.ac.ir 10031947532846006291 10031947532846006291 No Mashhad Branch, Islamic Azad University دانشگاه آزاد اسلامی، واحد مشهد Saeed Rahati Quchan سعید راحتی قوچانی rahati@mshdiau.ac.ir 10031947532846006292 10031947532846006292 Yes Mashhad Branch, Islamic Azad University دانشگاه آزاد اسلامی، واحد مشهد Reza Ghaemi رضا قائمی r.ghaemi@iauq.ac.ir 10031947532846006293 10031947532846006293 No Quchan Branch, Islamic Azad University دانشگاه آزاد اسلامی، واحد قوچان