حسابداری، امور مالی و هوش محاسباتی 3092-7366 2 پیاپی ۵ 1403 08 28 A Transformer-Based Model for Sentiment Analysis on Big Data Platforms ارائه یك مدل مبتنی بر ترنسفورمر به ‌منظور تجزیه و تحلیل احساسات بر بستر كلان‌داده 33 44 FA محمدرضا نوروزی دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، پردیس بین‌المللی کیش، دانشگاه تهران، کیش، ایران علی معینی استاد، گروه علوم مهندسی، دانشكده علوم مهندسي، دانشگاه تهران، تهران، ايران. Journal Article 1403 06 08 <p>This study addresses the challenges of sentiment classification arising from the vastness of textual data by introducing a three-phase adversarial fine-tuning framework. In this framework, a base model is trained using a transformer encoder, multi-head attention, and a BiLSTM layer on preprocessed data, followed by the creation of a systematic generator that applies fourteen controlled perturbations at varying intensities to the adversarial datasets. In the base article, stage-wise training was conducted sequentially on preprocessed data and on different levels of adversarial datasets, demonstrating significant improvements particularly on a noisy dataset (level 3). Overall, this approach effectively enhances the robustness and reliability of sentiment classifiers in big data contexts with corrupted text. In the proposed method, by incorporating an optimized RCCN network and multi-agent SVM-based clustering, factors were re-clustered, resulting in the proposed algorithm achieving an accuracy rate of 97.86%.</p> <p>این تحقیق با ارائه یک چارچوب تنظیم دقیق تخاصمی سه مرحله‌ای، به چالش‌های موجود در طبقه‌بندی احساسات ناشی از گستردگی داده‌های متنی می‌پردازد. که در آن آموزش یک مدل پایه با استفاده از یک رمزگذار مبدل، توجه چند سر و یک لایه BiLSTM روی داده‌های پیش‌پردازش‌شده و ایجاد یک مولد سیستماتیک که چهارده اختلال کنترل‌شده را با شدت‌های مختلف به مجموعه داده‌های تخاصمی اعمال می‌کند. در مقاله پایه انجام آموزش مرحله‌ای روی داده‌های پیش‌پردازش‌شده و سطوح مختلف مجموعه داده‌های تخاصمی به صورت متوالی اجرا شده و بهبودهای قابل‌توجهی را در یک مجموعه داده نویزی (سطح ۳) نشان داد. به طور کلی، این روش به طور مؤثری استحکام و قابلیت اطمینان طبقه‌بندی‌کننده‌های احساسات را در زمینه‌های کلان‌داده با متن خراب افزایش می‌دهد. در روش پیشنهادی با اضافه کردن یک شبکه RCCN  بهینه و خوشه بندی چند عاملی SVM فاکتورها خوشه بندی دوباره شده و میزان دقت الگوریتم پیشنهادی به 97.86 رسید.</p> https://jafci.com/index.php/jafci/article/download/96/66