ارائه‌ی مدل پیش‌بینی کننده تحلیل احساسات کاربران از شهر مبتنی بر شبکه‌ی اجتماعی توئیتر؛ نمونه مطالعاتی: کلان‌شهرهای ایران

تحلیل احساسات کاربران از طریق شبکه‌‌های مجازی، به‌‌حوزه‌‌ای موثر در علوم مختلف تبدیل شده و مخاطبان آن نه تنها صاحبان شرکت‌‌ها و سیاست‌‌مدارن، بلکه کاربران هستند. در این میان این حوزه در مطالعات شهری هم نفوذ کرده و به‌‌دلیل روش‌‌مندی آن؛ چه در قالب پژوهش‌‌هایی که صرفاً تحلیل احساس را هدف خود قرار داد...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:معماری و شهرسازی ایران 2023-12, Vol.14 (2), p.301-317
1. Verfasser: مریم محمدی
Format: Artikel
Sprache:per
Schlagworte:
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:تحلیل احساسات کاربران از طریق شبکه‌‌های مجازی، به‌‌حوزه‌‌ای موثر در علوم مختلف تبدیل شده و مخاطبان آن نه تنها صاحبان شرکت‌‌ها و سیاست‌‌مدارن، بلکه کاربران هستند. در این میان این حوزه در مطالعات شهری هم نفوذ کرده و به‌‌دلیل روش‌‌مندی آن؛ چه در قالب پژوهش‌‌هایی که صرفاً تحلیل احساس را هدف خود قرار داده‌‌اند و چه به‌‌صورت لایه‌‌ای تلفیقی در پژوهش‌‌ها مورد استفاده برنامه‌‌ریزان و طراحان شهری قرار گرفته است. مقاله‌‌ی پیش‌‌رو با هدف تبیین این حوزه در تحلیل احساسات شهری در قالب روش‌‌های مدل‌‌گرا بر آن است تا با بررسی اهمیت احساس و روش‌‌های مطرحِ بررسی آن در شهر، جایگاه این حوزه را در مطالعات شهری نشان دهد و در ادامه به آموزش ماشین برای ارائه‌‌ی مدل پیش‌‌بینی‌‌کننده برای تحلیل احساسات شهر بپردازد. مجموعه‌‌ی داده‌‌های این پژوهش مربوط به 8 کلان‌‌شهر ایران است که از توئیتر استخراج شده و تحلیل داده‌‌های متنی مورد توجه قرار گرفته است. به‌‌منظور آموزش ماشین برای تحلیل احساسات از یادگیری ماشین و یادگیری عمیق بهره برده شده و نتایج آنها با هم مقایسه شده است. الگوریتم‌‌های مورد استفاده در یادگیری ماشین، ماشین بردار پشتیبان، رگرسیون لجستیک و درخت تصمیم بوده و در یادگیری عمیق، ماشین با استفاده از شبکه‌‌ی عصبی و شبکه‌‌ی هیبریدی آموزش و تست شده است. براساس نتایج یادگیری عمیق برای پیش‌‌بینی احساسات و قطبیت متن در کلان‌‌شهرهای ایران بهتر عمل کرده و دقتی برابر با 80 داشته است.
ISSN:2228-589X
2645-7148
DOI:10.30475/isau.2023.337531.1905