در دنیای امروز، شبکه‌های اجتماعی به عنوان یک منبع غنی از اطلاعات و نظرات عمومی، نقش بسیار مهمی در شکل‌دهی افکار و تصمیم‌گیری‌های جوامع ایفا می‌کنند. در این میان، توییتر به دلیل ماهیت پیام‌های کوتاه و به‌روز خود، به یک دماسنج آنی برای سنجش احساسات و واکنش‌های مردم نسبت به رویدادهای مختلف تبدیل شده است. تحلیل احساسات (Sentiment Analysis) که شاخه‌ای از پردازش زبان طبیعی (NLP) است، به بررسی و استخراج نگرش‌ها، احساسات و عواطف از متن می‌پردازد. پیش‌بینی واکنش مخاطبان نسبت به یک متن خاص، برای حوزه‌های گوناگونی از جمله سیاست، تحقیقات و صنایع تجاری اهمیت بسزایی دارد. به عنوان مثال، یک شرکت می‌تواند با تحلیل احساسات کاربران در مورد یک محصول جدید، نقاط قوت و ضعف آن را شناسایی کرده و در جهت بهبود آن گام بردارد. یا یک سیاستمدار می‌تواند با رصد احساسات عمومی نسبت به یک سیاست خاص، میزان حمایت یا مخالفت مردمی را ارزیابی کند.

مقاله “تحلیل احساسات توئیت‌ها با شبکه‌های چندلایه برای بازنمایی گرافیکی” توسط Anna Nguyen، Antonio Longa، Massimiliano Luca، Joe Kaul و Gabriel Lopez به رشته تحریر درآمده است. این محققان در زمینه‌های هوش مصنوعی و شبکه‌های اجتماعی و اطلاعاتی فعالیت دارند. تمرکز اصلی این مقاله بر ارائه یک روش نوین برای تحلیل احساسات در سطح گروهی از توئیت‌ها است، به طوری که روابط بین توئیت‌های مختلف در یک مجموعه در نظر گرفته شود. به عبارت دیگر، این پژوهش به دنبال درک احساسات غالب یک گروه از افراد در مورد یک موضوع خاص است، نه صرفاً تحلیل احساسات هر توئیت به صورت جداگانه.

این مقاله یک الگوریتم جدید به نام تحلیل‌گر چندلایه توئیت (MLTA) را پیشنهاد می‌کند که با استفاده از شبکه‌های چندلایه (MLN)، متن‌های شبکه‌های اجتماعی را به صورت گرافیکی مدل‌سازی می‌کند تا روابط بین مجموعه‌های مستقل از توئیت‌ها را بهتر رمزگذاری کند. ساختارهای گرافیکی در مقایسه با روش‌های بازنمایی دیگر، قادر به ثبت روابط معنادار در اکوسیستم‌های پیچیده هستند. در این روش، از شبکه‌های عصبی گراف (GNN) برای استخراج اطلاعات از Tweet-MLN و انجام پیش‌بینی‌ها بر اساس ویژگی‌های گراف استخراج‌شده استفاده می‌شود. نتایج نشان می‌دهند که MLTA نه تنها از یک مجموعه بزرگتر از احساسات احتمالی پیش‌بینی می‌کند (ارائه یک احساس دقیق‌تر در مقایسه با مثبت، منفی یا خنثی استاندارد)، بلکه امکان پیش‌بینی دقیق در سطح گروهی داده‌های توییتر را نیز فراهم می‌کند. در واقع، این روش با در نظر گرفتن ارتباطات بین توئیت‌ها، تصویر دقیق‌تری از احساسات غالب در یک گروه ارائه می‌دهد.

روش‌شناسی تحقیق در این مقاله بر اساس سه مرحله اصلی استوار است:

• مدل‌سازی گرافیکی با استفاده از شبکه‌های چندلایه (MLN): در این مرحله، هر توئیت به عنوان یک گره در شبکه در نظر گرفته می‌شود و ارتباط بین توئیت‌ها بر اساس معیارهای مختلفی مانند اشتراک در هشتگ‌ها، ذکر کردن (mention) یکدیگر، یا پاسخ دادن به یکدیگر، به عنوان یال (edge) بین گره‌ها تعریف می‌شود. به این ترتیب، یک گراف شکل می‌گیرد که روابط بین توئیت‌های مختلف را به تصویر می‌کشد. ویژگی مهم این مرحله، استفاده از شبکه‌های چندلایه است. به این معنی که هر لایه از شبکه، نوع خاصی از ارتباط بین توئیت‌ها را نشان می‌دهد. به عنوان مثال، یک لایه می‌تواند ارتباط بر اساس هشتگ‌های مشترک، لایه دیگر ارتباط بر اساس ذکر کردن، و لایه سوم ارتباط بر اساس محتوای مشابه را نشان دهد. این رویکرد چندلایه، امکان ثبت دقیق‌تر و کامل‌تر روابط بین توئیت‌ها را فراهم می‌کند.
• استخراج ویژگی از گراف با استفاده از شبکه‌های عصبی گراف (GNN): پس از ایجاد گراف Tweet-MLN، از شبکه‌های عصبی گراف (GNN) برای استخراج ویژگی‌های مهم از ساختار گراف استفاده می‌شود. GNNها نوعی از شبکه‌های عصبی هستند که به طور خاص برای کار با داده‌های گراف طراحی شده‌اند. آن‌ها با استفاده از الگوریتم‌های انتشار پیام (message passing)، اطلاعات را از گره‌های همسایه به هر گره منتقل می‌کنند و به این ترتیب، ویژگی‌های هر گره را بر اساس ویژگی‌های همسایگانش به‌روزرسانی می‌کنند. این فرآیند به GNNها اجازه می‌دهد تا الگوها و روابط پیچیده در ساختار گراف را شناسایی کنند.
• پیش‌بینی احساسات در سطح گروهی: در نهایت، ویژگی‌های استخراج‌شده از گراف توسط GNNها به یک طبقه‌بند (classifier) داده می‌شوند تا احساسات غالب در گروه توئیت‌ها پیش‌بینی شود. طبقه‌بند می‌تواند از الگوریتم‌های مختلفی مانند رگرسیون لجستیک، ماشین بردار پشتیبان (SVM) یا شبکه‌های عصبی عمیق استفاده کند.

به عنوان یک مثال عملی، فرض کنید گروهی از توئیت‌ها در مورد یک رویداد ورزشی منتشر شده‌اند. با استفاده از MLTA، می‌توان یک گراف از این توئیت‌ها ایجاد کرد که در آن گره‌ها توئیت‌ها و یال‌ها روابط بین آن‌ها را نشان می‌دهند. سپس، با استفاده از GNN، می‌توان ویژگی‌های مهمی مانند میزان تمرکز بر یک تیم خاص، میزان خوش‌بینی یا بدبینی نسبت به عملکرد تیم، و میزان حمایت یا انتقاد از بازیکنان را از گراف استخراج کرد. در نهایت، با استفاده از یک طبقه‌بند، می‌توان احساسات غالب در این گروه از توئیت‌ها را به عنوان “خوش‌بینی”، “ناامیدی”، “حمایت”، یا “انتقاد” دسته‌بندی کرد.

یافته‌های کلیدی این تحقیق عبارتند از:

• دقت بالاتر در پیش‌بینی احساسات: MLTA در مقایسه با روش‌های سنتی تحلیل احساسات که فقط احساسات مثبت، منفی یا خنثی را در نظر می‌گیرند، دقت بالاتری در پیش‌بینی احساسات دارد. این الگوریتم قادر است طیف گسترده‌تری از احساسات را شناسایی کند و در نتیجه، تصویر دقیق‌تری از احساسات واقعی کاربران ارائه دهد.
• قابلیت پیش‌بینی احساسات در سطح گروهی: MLTA به طور خاص برای تحلیل احساسات در سطح گروهی طراحی شده است و قادر است احساسات غالب در یک گروه از توئیت‌ها را به طور دقیق پیش‌بینی کند. این قابلیت برای درک بهتر نظرات عمومی در مورد موضوعات مختلف بسیار ارزشمند است.
• اثرگذاری شبکه‌های چندلایه و GNNها: استفاده از شبکه‌های چندلایه و GNNها در MLTA نقش بسیار مهمی در بهبود دقت و کارایی این الگوریتم دارد. شبکه‌های چندلایه امکان ثبت دقیق‌تر روابط بین توئیت‌ها را فراهم می‌کنند، و GNNها به طور موثر ویژگی‌های مهم را از ساختار گراف استخراج می‌کنند.

به عنوان مثال، آزمایش‌ها نشان داده‌اند که MLTA می‌تواند به طور دقیق‌تر احساس “نگرانی” را در مورد یک بحران آب و هوایی، یا احساس “خوشحالی” را در مورد یک خبر موفقیت‌آمیز علمی تشخیص دهد، در حالی که روش‌های سنتی ممکن است این احساسات را به عنوان “خنثی” طبقه‌بندی کنند.

کاربردها و دستاوردهای این تحقیق بسیار متنوع هستند:

• پایش افکار عمومی: MLTA می‌تواند برای پایش افکار عمومی در مورد موضوعات مختلف سیاسی، اجتماعی، اقتصادی و فرهنگی مورد استفاده قرار گیرد. این اطلاعات می‌تواند برای سیاست‌گذاران، سازمان‌های دولتی و غیردولتی، و محققان بسیار ارزشمند باشد.
• مدیریت بحران: MLTA می‌تواند در مدیریت بحران‌ها نقش موثری ایفا کند. با تحلیل احساسات کاربران در شبکه‌های اجتماعی، می‌توان به سرعت واکنش‌های مردم را نسبت به بحران شناسایی کرده و اقدامات لازم را برای کاهش اثرات منفی آن انجام داد.
• بازاریابی و تبلیغات: MLTA می‌تواند در بازاریابی و تبلیغات به شرکت‌ها کمک کند تا درک بهتری از نظرات مشتریان در مورد محصولات و خدمات خود داشته باشند. این اطلاعات می‌تواند برای بهبود کیفیت محصولات، طراحی کمپین‌های تبلیغاتی موثر، و افزایش رضایت مشتریان مورد استفاده قرار گیرد.
• تحقیقات علمی: MLTA می‌تواند در تحقیقات علمی در زمینه‌های مختلف از جمله علوم اجتماعی، علوم سیاسی و علوم کامپیوتر مورد استفاده قرار گیرد. این الگوریتم می‌تواند به محققان کمک کند تا داده‌های شبکه‌های اجتماعی را به طور موثرتر تحلیل کرده و الگوها و روندهای جدید را شناسایی کنند.

دستاورد اصلی این تحقیق، ارائه یک روش نوین و موثر برای تحلیل احساسات در سطح گروهی است که می‌تواند در حوزه‌های مختلف کاربرد داشته باشد و به درک بهتر نظرات عمومی کمک کند.

مقاله “تحلیل احساسات توئیت‌ها با شبکه‌های چندلایه برای بازنمایی گرافیکی” یک گام مهم در جهت توسعه روش‌های پیشرفته‌تر برای تحلیل احساسات در شبکه‌های اجتماعی است. الگوریتم MLTA با استفاده از شبکه‌های چندلایه و GNNها، امکان ثبت دقیق‌تر روابط بین توئیت‌ها و پیش‌بینی دقیق‌تر احساسات در سطح گروهی را فراهم می‌کند. این تحقیق می‌تواند به محققان و متخصصان در زمینه‌های مختلف کمک کند تا درک بهتری از نظرات عمومی داشته باشند و تصمیمات آگاهانه‌تری اتخاذ کنند. با توجه به اهمیت روزافزون شبکه‌های اجتماعی در زندگی روزمره، توسعه و بهبود روش‌های تحلیل احساسات در این شبکه‌ها از اهمیت بالایی برخوردار است و MLTA می‌تواند به عنوان یک ابزار ارزشمند در این زمینه مورد استفاده قرار گیرد.