KMAN Publication Inc. تکنولوژی در کارآفرینی و مدیریت استراتژیک 3041-8585 در دست انتشار 1406 02 01 A Recommender System for Developing Marketing Strategies for Online Products Based on Sentiment Analysis of User Reviews Using Deep Learning Algorithms ارائه یک سیستم توصیه‌گر برای تدوین استراتژی‌های بازاریابی محصولات آنلاین بر اساس تحلیل عواطف نظرات کاربران با استفاده از الگوریتم‌های یادگیری عمیق 1 24 10.61838/kman.jtesm.535 FA مریم گلمشکی گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران علیرضا فرخ بخت فومنی گروه مدیریت بازرگانی، واحد بندر انزلی، دانشگاه آزاد اسلامی، بندر انزلی، ایران محمد طالقانی گروه مدیریت صنعتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران نرگس دل افروز گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران Journal Article 1405 02 26 <p>This study aimed to develop a recommender system for formulating marketing strategies for online products based on sentiment analysis of user reviews and to compare the performance of deep learning algorithms in predicting product sales. This applied, descriptive-analytical study was based on textual data obtained from users of an online store. User reviews of products were employed as the primary input data, and the sentiments expressed in the reviews were classified into positive, negative, and neutral categories. Three deep learning algorithms—Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), and Long Short-Term Memory (LSTM)—were implemented for sentiment analysis and sales prediction. The model incorporated product- and review-related features, including user sentiment, price, brand, quality, delivery, packaging, support, warranty, and other product characteristics. Model performance was comparatively evaluated using accuracy, precision, F1-score, recall, confusion matrices, and receiver operating characteristic (ROC) curves. Comparative results demonstrated that CNN achieved the strongest overall performance, followed by LSTM and RNN. Accuracy values were 0.966, 0.960, and 0.953 for CNN, LSTM, and RNN, respectively. Corresponding precision values were 0.956, 0.954, and 0.944; F1-scores were 0.931, 0.917, and 0.904; and recall values were 0.964, 0.957, and 0.949. The confusion-matrix and ROC analyses further supported the relative superiority of CNN in classification and prediction. Feature-importance analysis based on the CNN model indicated that other users’ comments had the greatest contribution to classification, followed by user sentiment, delivery, brand, and packaging. Sentiment analysis of user reviews using deep learning algorithms, particularly CNN, can provide an effective analytical basis for predicting product sales and developing recommender systems that support product-specific marketing strategy formulation in online retail environments.</p> <p>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.</p> https://journaltesm.com/index.php/journaltesm/article/download/535/555