مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 17 65 2025 10 17 Improving Sentiment Analysis in Persian text based on combination of Stacked Auto-Encoder and Transformer-BiLSTM-CNN بهبود تحلیل احساسات در متن فارسی براساس ترکیبی از رمزگذار خودکار پشته‌ای و Transformer-BiLSTM-CNN fa سینا دامی IAU محمدعلی ثناگوی محرر دانشگاه آزاد اسلامی واحد تهران غرب 2024 11 5 The expansion of the internet and the increasing amount of user-generated textual opinions on various topics have made sentiment analysis a crucial tool for understanding public sentiment towards different subjects. These insights are invaluable for businesses, policymakers, and society as a whole, but manually analyzing such a volume of data is costly and impractical. This study leverages automated and deep learning approaches by combining a Stacked Autoencoder (SAE) for feature extraction and a Transformer-BiLSTM-CNN model for sentiment classification, specifically designed for the Persian language. ParsBert, the Persian version of BERT, was used for data preprocessing. This combined approach demonstrated improved performance in key evaluation metrics such as accuracy, precision, recall, and F1 score, outperforming comparative models like Transformer-BiLSTM-CNN, SAE-LSTM, and CNN. Results on datasets including user reviews from the Taghcheh and Digikala platforms and Persian tweets affirm the effectiveness of this hybrid model. با گسترش اینترنت و افزایش ثبت نظرات متنی کاربران درباره رویدادهای مختلف، تحلیل احساسات متنی اهمیت بالایی یافته است، زیرا می&zwnj;تواند احساسات مثبت، منفی یا خنثی کاربران را نسبت به موضوعات گوناگون نشان دهد و به شرکت&zwnj;ها، سیاست&zwnj;گذاران و جامعه، اطلاعات ارزشمندی ارائه دهد. اما تحلیل دستی این حجم از داده&zwnj;ها بسیار زمان&zwnj;بر و پرهزینه است؛ لذا پژوهشگران به روش&zwnj;های خودکار و یادگیری عمیق روی آورده&zwnj;اند. این پژوهش با ترکیب رمزگذار خودکار پشته&zwnj;ای (SAE) برای استخراج ویژگی&zwnj;ها و مدل ترکیبی Transformer-BiLSTM-CNN برای طبقه&zwnj;بندی، به بهبود تحلیل احساسات متنی در زبان فارسی پرداخته است. برای پیش&zwnj;پردازش داده&zwnj;ها نیز از مدل ParsBERT، نسخه فارسی BERT، استفاده شد. این ترکیب در برخی معیارهای ارزیابی مانند دقت، صحت، یادآوری و امتیاز F1، نسبت به مدل&zwnj;های مشابه همچون Transformer-BiLSTM-CNN ،SAE-LSTM و CNN عملکرد بهتری داشت و نتایج مطلوبی در مجموعه&zwnj;داده&zwnj;های نظرات کاربران طاقچه و دیجی&zwnj;کالا و توئیت&zwnj;های فارسی به دست آمد.

http://jour.aicti.ir/fa/Article/Download/48488