ارائه یک سیستم توصیه‌گر برای تدوین استراتژی‌های بازاریابی محصولات آنلاین بر اساس تحلیل عواطف نظرات کاربران با استفاده از الگوریتم‌های یادگیری عمیق

مریم  گلمشکی; علیرضا فرخ بخت فومنی; محمد   طالقانی; نرگس  دل افروز

doi:10.61838/kman.jtesm.535

نویسندگان

مریم گلمشکی گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران نویسنده https://orcid.org/0009-0004-1414-2488
علیرضا فرخ بخت فومنی گروه مدیریت بازرگانی، واحد بندر انزلی، دانشگاه آزاد اسلامی، بندر انزلی، ایران https://orcid.org/0000-0002-8307-0324
محمد طالقانی گروه مدیریت صنعتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران نویسنده https://orcid.org/0000-0001-6086-348X
نرگس دل افروز گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران نویسنده https://orcid.org/0000-0001-5431-8127

DOI:

https://doi.org/10.61838/kman.jtesm.535

کلمات کلیدی:

سیستم توصیه گر, استراتژی های بازاریابی, محصولات آنلاین, تحلیل عواطف, نظرات کاربران, یادگیری عمیق

چکیده

هدف پژوهش حاضر ارائه یک سیستم توصیه‌گر برای تدوین استراتژی‌های بازاریابی محصولات آنلاین بر مبنای تحلیل عواطف نظرات کاربران و مقایسه عملکرد الگوریتم‌های یادگیری عمیق در پیش‌بینی فروش محصولات بود. این پژوهش از نظر هدف کاربردی و از نظر روش توصیفی–تحلیلی و مبتنی بر تحلیل داده‌های متنی کاربران یک فروشگاه آنلاین بود. نظرات کاربران درباره محصولات به‌عنوان داده‌های ورودی در نظر گرفته شد و عواطف موجود در آنها در سه طبقه مثبت، منفی و خنثی دسته‌بندی گردید. برای تحلیل عواطف و پیش‌بینی فروش از سه الگوریتم یادگیری عمیق شبکه عصبی کانولوشنی (CNN)، شبکه عصبی بازگشتی (RNN) و حافظه کوتاه‌مدت بلند (LSTM) استفاده شد. ویژگی‌های مرتبط با نظرات کاربران شامل احساسات کاربر، قیمت، برند، کیفیت، تحویل، بسته‌بندی، پشتیبانی، گارانتی و سایر ویژگی‌های مرتبط با محصول بود. عملکرد مدل‌ها با معیارهای Accuracy، Precision، F1-score، Recall، ماتریس سردرگمی و منحنی ROC ارزیابی و مقایسه شد. مقایسه الگوریتم‌ها نشان داد CNN در مجموع عملکرد بهتری نسبت به LSTM و RNN داشت. مقدار Accuracy برای CNN، LSTM و RNN به‌ترتیب 0.966، 0.960 و 0.953 بود؛ همچنین Precision به‌ترتیب 0.956، 0.954 و 0.944، F1-score برابر با 0.931، 0.917 و 0.904 و Recall برابر با 0.964، 0.957 و 0.949 به دست آمد. نتایج ماتریس سردرگمی و منحنی ROC نیز برتری نسبی CNN را تأیید کرد. بر اساس مدل CNN، «نظرات دیگران» بیشترین اهمیت را در طبقه‌بندی داشت و پس از آن احساسات کاربران، تحویل، برند و بسته‌بندی از عوامل اثرگذارتر بودند. تحلیل عواطف نظرات کاربران با استفاده از الگوریتم‌های یادگیری عمیق، به‌ویژه CNN، می‌تواند مبنای مناسبی برای پیش‌بینی وضعیت فروش و توسعه یک سیستم توصیه‌گر جهت تدوین استراتژی‌های بازاریابی متناسب با محصولات در فروشگاه‌های آنلاین فراهم کند.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Abubakar, M., & Shahzad, A. (2024). Aspect-Based Sentiment Analysis on Product Reviews. ASEAN Journal of Economic and Economic Education, 3(1), 29-34.

Alzahrani, M. E., Aldhyani, T. H. H., Alsubari, S. N., Althobaiti, M. M., & Fahad, A. (2022). Developing an Intelligent System with Deep Learning Algorithms for Sentiment Analysis of E-Commerce Product Reviews. Computational Intelligence and Neuroscience, 3840071. https://doi.org/10.1155/2022/3840071

Bilal, M., & Almazroi, A. A. (2023). Effectiveness of Fine-tuned BERT Model in Classification of Helpful and Unhelpful Online Customer Reviews. Electronic Commerce Research, 23, 2737-2757. https://doi.org/10.1007/s10660-022-09560-w

Elangovan, D., & Subedha, V. (2023). Adaptive Particle Grey Wolf Optimizer with Deep Learning-based Sentiment Analysis on Online Product Reviews. Engineering, Technology & Applied Science Research, 13(3), 10989-10993.

Jia, W., Shan, J., Wang, J., & Mengyang, Z. (2026). Implicit Aspect-Based Sentiment Analysis: A Systematic Review. Acm Computing Surveys, 58(10), 262. https://doi.org/10.1145/3799234

Kaur, G., & Sharma, A. (2023). A deep learning-based model using hybrid feature extraction approach for consumer sentiment analysis. Journal of Big Data, 10, 5. https://doi.org/10.1186/s40537-022-00680-6

Kumar, M., Khan, L., & Chang, H. T. (2025). Evolving techniques in sentiment analysis: a comprehensive review. Peerj Computer Science, 11, e2592. https://doi.org/10.7717/peerj-cs.2592

Lee, L.-H. (2026). DimABSA: Building Multilingual and Multidomain Datasets for Dimensional Aspect-Based Sentiment Analysis Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers),

Loukili, M., Messaoudi, F., & El Ghazi, M. (2023). Sentiment Analysis of Product Reviews for ECommerce Recommendation based on Machine Learning. International Journal of Advanced Soft Computing Applications, 15(1).

Oralbekova, D., Mamyrbayev, O., Othman, M., Kassymova, D., & Mukhsina, K. (2023). Contemporary Approaches in Evolving Language Models. Applied Sciences, 13, 12901.

Quan, T. D., Thanh, L. N., & Thuy, T. N. T. (2023). The Capability of E-Reviews in Online Shopping: Integration of the PLS-SEM and ANN Method. International Journal of Professional Business Review, 8(7), 1-29.

Shi, P. Y., & Yu, J. H. (2022). Research on the Identification of User Demands and Data Mining Based on Online Reviews 2022 International Conference on Big Data, Information and Computer Network (BDICN), Sanya, China.

Sudirjo, F., Ratnawati, Hadiyati, R., Sutaguna, I. N. T., & Yusuf, M. (2023). The Influence of Online Customer Reviews and E-Service Quality on Buying Decisions in Electronic Commerce. Journal of Management and Creative Business (JMCBUS), 1(2), 156-181.

Sun, Y., Sekiguchi, K., & Ohsawa, Y. (2026). Optimizing sentiment analysis in product descriptions: effects on customer purchase intentions. Information Technology and Management, 27, 277-300. https://doi.org/10.1007/s10799-025-00448-3

Tiwari, A., Tewari, K., Dawar, S., Singh, A., & Rathee, N. (2023). Comparative Analysis on Aspect-based Sentiment using BERT 7th International Conference on Computing Methodologies and Communication (ICCMC), Erode, India.

Vadla, S., Suresh, M. A., & Viswanathan, V. K. (2024). Enhancing Product Design through AI-Driven Sentiment Analysis of Amazon Reviews Using BERT. Algorithms, 17, 59. https://doi.org/10.3390/a17020059