در دنیای امروز، تحلیل احساسات (Sentiment Analysis) به یکی از ابزارهای حیاتی در پردازش زبان طبیعی (NLP) تبدیل شده است. این حوزه، به بررسی و درک نگرش‌ها، احساسات و عواطف بیان شده در متن می‌پردازد. از بررسی نظرات مشتریان در مورد یک محصول گرفته تا تحلیل واکنش‌های عمومی نسبت به یک رویداد سیاسی، تحلیل احساسات کاربردهای گسترده‌ای دارد. اهمیت این حوزه زمانی دوچندان می‌شود که با حجم عظیمی از داده‌های متنی تولید شده در شبکه‌های اجتماعی، وب‌سایت‌ها و سایر منابع روبرو هستیم. در این میان، تحلیل احساسات جنبه‌محور (Aspect-Based Sentiment Analysis – ABSA) به عنوان یک رویکرد دقیق‌تر و ظریف‌تر، امکان بررسی احساسات نسبت به جنبه‌های خاصی از یک موضوع را فراهم می‌کند. به عنوان مثال، در تحلیل نظرات در مورد یک رستوران، می‌توان احساسات مربوط به کیفیت غذا، سرویس‌دهی و قیمت را به طور جداگانه بررسی کرد.

مقاله حاضر با عنوان “یک مدل زبان مولد برای تحلیل احساسات جنبه‌محورِ کم‌نمونه” به بررسی روشی نوین برای انجام تحلیل احساسات جنبه‌محور در شرایطی می‌پردازد که داده‌های آموزشی کمی در دسترس است (Few-shot Learning). این موضوع از اهمیت ویژه‌ای برخوردار است، زیرا جمع‌آوری و برچسب‌گذاری داده‌های آموزشی کافی برای بسیاری از کاربردها، پرهزینه و زمان‌بر است. بنابراین، توسعه روش‌هایی که بتوانند با داده‌های محدود به عملکرد قابل قبولی دست یابند، یک چالش کلیدی در حوزه تحلیل احساسات محسوب می‌شود. این مقاله با ارائه یک مدل زبان مولد (Generative Language Model) و استفاده از آن برای بازسازی وظیفه تحلیل احساسات جنبه‌محور به عنوان یک وظیفه تولید متن، سعی در حل این چالش دارد. این رویکرد به مدل اجازه می‌دهد تا بدون نیاز به لایه‌های خاص وظیفه (task-specific layers)، از دانش پیش‌آموخته خود در زمینه زبان برای انجام تحلیل احساسات استفاده کند.

این مقاله توسط احسان حسینی‌اصل، ونهاو لیو و کایمینگ ژیونگ به رشته تحریر درآمده است. نویسندگان این مقاله، محققانی فعال در زمینه پردازش زبان طبیعی و یادگیری ماشین هستند. تمرکز اصلی آن‌ها بر روی توسعه مدل‌های زبانی پیشرفته و کاربرد آن‌ها در حل مسائل مختلف پردازش زبان طبیعی، از جمله تحلیل احساسات، بوده است. زمینه تخصصی این محققان، طراحی و آموزش مدل‌های زبانی بزرگ و استفاده از آن‌ها در شرایط کم‌داده (Low-resource settings) است. این مقاله، بخشی از تلاش‌های جاری در جهت توسعه روش‌های کارآمدتر و مقاوم‌تر برای تحلیل احساسات در شرایط واقعی است که اغلب با کمبود داده‌های آموزشی مواجه هستیم.

مقاله حاضر رویکردی جدید برای تحلیل احساسات جنبه‌محور در شرایط کم‌نمونه ارائه می‌دهد. در این رویکرد، وظیفه استخراج جنبه‌ها، دسته‌بندی آن‌ها و پیش‌بینی قطبیت (مثبت، منفی، خنثی) احساسات مرتبط با آن‌ها، به عنوان یک وظیفه تولید متن فرموله می‌شود. به عبارت دیگر، مدل زبانی به گونه‌ای آموزش داده می‌شود که با دریافت متن ورودی، بتواند توصیفی متنی از جنبه‌ها و احساسات مرتبط با آن‌ها تولید کند. این کار با استفاده از یک مدل زبان مولد با توجه یک‌طرفه (Unidirectional Attention) مانند GPT-2 انجام می‌شود. مزیت این روش این است که مدل می‌تواند از دانش پیش‌آموخته خود در زمینه زبان برای انجام تحلیل احساسات استفاده کند و نیازی به آموزش لایه‌های خاص وظیفه ندارد. نتایج ارزیابی نشان می‌دهد که این رویکرد در پیش‌بینی قطبیت احساسات، عملکرد بهتری نسبت به روش‌های قبلی مبتنی بر BERT دارد، به‌ویژه در شرایط کم‌نمونه. علاوه بر این، مدل پیشنهادی واریانس کمتری در عملکرد خود نشان می‌دهد، که نشان‌دهنده پایداری بیشتر آن در مواجهه با داده‌های محدود است. همچنین، این مقاله نشان می‌دهد که مدل پیشنهادی می‌تواند در تنظیمات ترکیبی (Joint) و چند-وظیفه‌ای (Multi-task) نیز به خوبی عمل کند.

روش‌شناسی تحقیق در این مقاله بر پایه استفاده از مدل‌های زبانی مولد و تبدیل وظیفه تحلیل احساسات جنبه‌محور به یک وظیفه تولید متن استوار است. مراحل اصلی این روش‌شناسی به شرح زیر است:

• تبدیل وظیفه: وظیفه استخراج جنبه‌ها و پیش‌بینی قطبیت احساسات به یک وظیفه تولید متن تبدیل می‌شود. به عنوان مثال، اگر متن ورودی “غذا خوشمزه بود، اما سرویس کمی کند بود” باشد، مدل باید متنی مانند “جنبه: غذا، احساس: مثبت، جنبه: سرویس، احساس: منفی” تولید کند.
• استفاده از مدل زبان مولد: از یک مدل زبان مولد پیش‌آموخته مانند GPT-2 برای تولید متن استفاده می‌شود. این مدل به گونه‌ای آموزش داده می‌شود که با دریافت متن ورودی، بتواند متن مربوط به جنبه‌ها و احساسات را تولید کند.
• آموزش مدل: مدل با استفاده از داده‌های آموزشی کم‌نمونه، آموزش داده می‌شود. هدف از آموزش، بهینه‌سازی پارامترهای مدل به گونه‌ای است که بتواند متن‌های دقیقی از جنبه‌ها و احساسات تولید کند.
• ارزیابی مدل: عملکرد مدل بر روی مجموعه‌های داده مختلف ارزیابی می‌شود. معیارهای ارزیابی شامل دقت (Accuracy)، بازخوانی (Recall) و امتیاز F1 است.
• تنظیمات ترکیبی و چند-وظیفه‌ای: مدل در تنظیمات ترکیبی (آموزش همزمان استخراج جنبه‌ها و پیش‌بینی قطبیت) و چند-وظیفه‌ای (آموزش همزمان با وظایف مشابه مانند تشخیص قصد کاربر) نیز آموزش داده می‌شود تا عملکرد آن بهبود یابد.

یک مثال عملی از نحوه تبدیل وظیفه به این صورت است: فرض کنید جمله “باتری این گوشی خیلی زود خالی می شود ولی دوربین فوق العاده ای دارد” را داریم. در این روش، این جمله به مدل داده می شود و مدل باید خروجی ای شبیه به این تولید کند: “جنبه: باتری، احساس: منفی، جنبه: دوربین، احساس: مثبت”. این تبدیل، امکان استفاده از قدرت مدل های زبانی مولد را برای تحلیل احساسات فراهم می کند.

یافته‌های کلیدی این مقاله به شرح زیر است:

• عملکرد بهتر در شرایط کم‌نمونه: مدل پیشنهادی در شرایط کم‌نمونه، عملکرد بهتری نسبت به روش‌های قبلی مبتنی بر BERT دارد. این نشان‌دهنده کارآمدی رویکرد مولد در مواجهه با داده‌های محدود است.
• کاهش واریانس: مدل پیشنهادی واریانس کمتری در عملکرد خود نشان می‌دهد، که نشان‌دهنده پایداری بیشتر آن در مواجهه با داده‌های محدود است. این امر از اهمیت ویژه‌ای برخوردار است، زیرا در شرایط کم‌نمونه، نوسانات عملکرد مدل‌ها می‌تواند بسیار زیاد باشد.
• قابلیت اعمال در تنظیمات ترکیبی و چند-وظیفه‌ای: مدل پیشنهادی می‌تواند در تنظیمات ترکیبی (آموزش همزمان استخراج جنبه‌ها و پیش‌بینی قطبیت) و چند-وظیفه‌ای (آموزش همزمان با وظایف مشابه مانند تشخیص قصد کاربر) نیز به خوبی عمل کند. این امر نشان‌دهنده انعطاف‌پذیری و قابلیت تعمیم بالای مدل است.
• عملکرد بهتر در مجموعه‌های داده مشابه: نتایج ارزیابی بر روی مجموعه‌های داده مشابه مانند SST-2 و SST-5 نشان می دهد که روش پیشنهادی نه تنها بهتر از روش های قبلی عمل می کند، بلکه در برابر نویزهای موجود در داده ها نیز مقاوم تر است.

به طور خلاصه، این مقاله نشان می‌دهد که استفاده از مدل‌های زبانی مولد برای تحلیل احساسات جنبه‌محور در شرایط کم‌نمونه، یک رویکرد امیدوارکننده است که می‌تواند عملکرد بهتری نسبت به روش‌های سنتی داشته باشد.

کاربردها و دستاوردهای این مقاله بسیار گسترده و قابل توجه هستند. از جمله این کاربردها می توان به موارد زیر اشاره کرد:

• بهبود تحلیل نظرات مشتریان: با استفاده از این روش، شرکت‌ها می‌توانند نظرات مشتریان خود را در مورد جنبه‌های مختلف محصولات و خدمات خود به طور دقیق‌تری تحلیل کنند و در نتیجه، تصمیمات بهتری در زمینه بهبود کیفیت و ارائه خدمات اتخاذ کنند. به عنوان مثال، یک شرکت تولید کننده تلفن همراه می تواند با تحلیل نظرات کاربران در مورد عمر باتری، کیفیت دوربین و سرعت پردازنده، نقاط قوت و ضعف محصولات خود را شناسایی کند.
• تحلیل احساسات در شبکه‌های اجتماعی: این روش می‌تواند برای تحلیل احساسات در شبکه‌های اجتماعی و بررسی واکنش‌های عمومی نسبت به رویدادهای مختلف مورد استفاده قرار گیرد. این اطلاعات می‌تواند برای سازمان‌های دولتی و غیردولتی در زمینه سیاست‌گذاری و مدیریت افکار عمومی بسیار مفید باشد.
• توسعه سیستم‌های توصیه‌گر: با استفاده از تحلیل احساسات جنبه‌محور، می‌توان سیستم‌های توصیه‌گر را بهبود بخشید و توصیه‌های دقیق‌تری به کاربران ارائه داد. به عنوان مثال، یک سیستم توصیه‌گر فیلم می‌تواند با تحلیل نظرات کاربران در مورد جنبه‌های مختلف فیلم‌ها (مانند داستان، بازیگری و کارگردانی)، فیلم‌هایی را به کاربران توصیه کند که احتمالاً از آن‌ها لذت خواهند برد.
• دستیابی به نتایج بهتر با داده های کمتر: مهمترین دستاورد این مقاله، امکان دستیابی به نتایج دقیق و قابل اعتماد با استفاده از داده های آموزشی محدود است. این امر، هزینه و زمان مورد نیاز برای جمع آوری و برچسب گذاری داده ها را به طور قابل توجهی کاهش می دهد و امکان استفاده از تحلیل احساسات را در کاربردهایی که دسترسی به داده های کافی محدود است، فراهم می کند.

در مجموع، مقاله “یک مدل زبان مولد برای تحلیل احساسات جنبه‌محورِ کم‌نمونه” یک گام مهم در جهت توسعه روش‌های کارآمدتر و مقاوم‌تر برای تحلیل احساسات در شرایط کم‌داده است. این مقاله با ارائه یک رویکرد نوین مبتنی بر مدل‌های زبانی مولد، نشان می‌دهد که می‌توان با تبدیل وظیفه تحلیل احساسات به یک وظیفه تولید متن، به عملکرد بهتری نسبت به روش‌های سنتی دست یافت. نتایج این تحقیق می‌تواند در زمینه‌های مختلفی از جمله تحلیل نظرات مشتریان، تحلیل احساسات در شبکه‌های اجتماعی و توسعه سیستم‌های توصیه‌گر مورد استفاده قرار گیرد. همچنین، این مقاله راه را برای تحقیقات بیشتر در زمینه استفاده از مدل‌های زبانی مولد در حل مسائل دیگر پردازش زبان طبیعی هموار می‌کند. به عنوان جمع بندی، می توان گفت که این مقاله با ارائه راهکاری نوآورانه و کاربردی، گامی مهم در جهت پیشرفت حوزه تحلیل احساسات برداشته است و می تواند تاثیر قابل توجهی بر تحقیقات و کاربردهای آینده در این زمینه داشته باشد.