بهبود دقت در فرایند خوشه بندی در شبکه اجتماعی توییتر از طریق بکارگیری راهکار ترکیبی مبتنیبر شبکه های عصبی

باگسترده تر شدن اینترنت همچنین افزایش چشمگیر گوشی های هوشمند در سالهای اخیر، شبکه های اجتماعی به یکی از ارکانجدایی ناپذیر زندگی انسان ها، حداقل در بعد مجازی تبدیل شده اند. یکی از مهمترین ساختارهای اجتماعی خوشه ها هستند. خوشه هابه گروهی از گره ها گفته می شود که پیوندهای درونی آنها، بیشتر از پیوندهای آنها با خارج از گروه است. خوشه بندی یکی از زمینههای تحقیقاتی است که محققان زیادی را در سالهای اخیر به خود جلب کرده است. در واقع خوشه بندی یک کلاس بندی بدوننظارت است که در آن کلاسها از پیش تعریف نشده اند. هدف از انجام خوشه بندی ارائه چشم انداز مناسبی از اطلاعات موجود درداده ها به کاربر نهایی است. بر همین اساس در این مقاله یک راهکار ترکیبی به منظور بهبود دقت در فرایند خوشه بندی نظراتکاربران در شبکه های اجتماعی بر اساس احساسات موجود در نظرات آنها ارایه می شود. در اینجا منظور از خوشهبندی، بهرهگیری ازکلمات مشترک در یک جمله و خوشهبندی آن جملات بر اساس این کلمات کلیدی است به عبارتی، هدف قراردادن متن در خوشهیمتناسب با احساس موجود در آن جمله است. در این حالت از تکنیک های یادگیری ماشین در کنار خوشه بندی سلسله مراتبی بهرهبرده می شود. تا ضمن حذف داده های پرت و استخراج ویژگی های اصلی بتوان دقت خوشه بندی را بالا برد. در انتها راهکار پیشنهادیبه کمک زبان برنامه نویسی پایتون پیاده سازی شده است. همچنین برای مجموعه داده از توییت های استخراج شده از شبکه اجتماعیتوییتر استفاده می شود. این مجموعه داده ها در برگیرنده بخش هایی از جمله نویسنده توییت، زبان توییت و متن آن می باشد. نتایجحاصل از ارزیابی بیانگر دقت بالای ۹۰ درصد در راهکار پیشنهادی می باشد که در مقایسه با سایر راهکارها، بهینگی چشمگیری است.