تحلیل احساس در نظرات مشتریان صنعت داروسازی

یادداشت/

سیدشایان طباطبائی*: صنعت داروسازی به‌عنوان یکی از صنایع مهم و حساس کشور شناخته می‌شود که به جهت بازاریابی حرفه‌ای‌ و شناخت بازار همانند صنایع به‌روز دیگر در جهان نیازمند هوشمندسازی و تحلیل است.

از این رو با توجه به تکنیک‌های هوش مصنوعی مانند دیتا ماینینگ (Data Mining) و با تمرکز بر روی تحلیل احساسات بر آن شدم تا با تحلیل بیش از ۲۱۰ هزار داده سایت معتبر Drug.com به تحلیل خروجی نظرات مشتریان در صنعت داروسازی بپردازم.

با افزايش روزانه کاربران شبکه‌های اجتماعی، ثبت نظرات آن‌ها در خصوص انواع خدمات و محصولات افزايش يافته است.
اين نظرات را می‌توان به‌عنوان منبعی از اطلاعات پنهان در نظر گرفت، که تحليل و استخراج دانش از آن‌ها در مسیر بهبود کيفيت محصولات و خدمات مورد استفاده کارآ خواهد بود.

فوايد متعدد حاصل از تحليل نظرات کاربران و پرهیز از تحليل دستی و سنتی از آن‌ها، باعث شده تکنيک‌های تحليل احساس، بيش از پيش مورد توجه محققان و تحليل‌گران قرار گیرد.

نظرات کاربران تاثيری مستقيم بر بهبود کيفيت محصولات، خدمات، بازاريابی، ترجيحات سياسی و رويدادهای اجتماعی دارد. برای مثال، تحليل نظرات کاربران شبکه اجتماعی توييتر در پيش‌بينی محبوبيت موارد سياسی موثر بوده است (مانند توییت‌های ایلان ماسک و سیاسیون).

✔️امروزه تجزيه و تحليل احساسات تبديل به ابزاری قدرتمند برای مشاغل، دولت‌ها و محققان برای استخراج و تجزيه و تحليل ديدگاه‌های عمومی، و حصول بينش تجاری و تصميم‌گيری‌های بهتر شده است.

اغلب روش‌هايی که در اين حوزه تاکنون معرفی شده‌اند، مبتنی بر روش‌های يادگيری الکترونیکی و يادگيری عميق در شبکه‌های اجتماعی توييتر و فيس‌بوک و سایر شبکه‌های اجتماعی هستند.

✔️اتفاقا در زمينه و در حوزه دارو هم مطالعاتی محدود انجام شده است؛ از جمله آخرين پژوهش‌هايی که کاربرد تحليل احساس را در صنعت دارو بررسی کرده، روش کلن رويز و همکاران او در سال ۲۰۲۰ است.

در اين روش نظرات بيماران در تحليل احساس در نظرات مشتريان صنعت داروسازی با استفاده از يادگيری عميق در خصوص داروهای مختلف به دو شبکه عميق بازگشتی BiLSTM و شبکه کانولوشن ارائه شده است و ويژگی‌های استخراج شده از دو شبکه با يکديگر پيوست شده و در نهايت با استفاده از يک لایه تمام متصل و يک لایه طبقه‌بندی نظرات بيماران درخصوص داروها دسته‌بندی شده است.

اين روش در بهترين حالت توانسته است به معيار ۸۲.۳۷% F دست يابد.

✔️يکی از مراحلی که در موفقيت سيستم‌های تحليل احساس بسيار موثر است مرحله پيش‌پردازش و تبديل متن به ماتريسی از اعداد است.

شبکه‌های اجتماعی به‌عنوان مهم‌ترین عضو دنیای مجازی، منبعی عظیم از داده‌های غیر ساخت‌یافته (بدون ساختار) و دانش پنهان هستند. نتایج کاربردی حاصل از تحلیل و بررسی احساسات پنهان در متون غیر ساختاریافته کاربران، باعث توجه بیش از پیش سازمان‌های مالی و تجاری مختلف به این حوزه شده است.

این مسئله موجب معرفی حوزه تحلیل احساس مبتنی بر تکنیک‌های یادگیری شده و مطالعات مبتنی بر شبکه‌های عصبی عمیق به‌صورت انفرادی و یا ترکیبی هستند و در بسیاری از روش‌ها دو شبکه عمیق به‌صورت مجزا ترکیب شده‌اند و البته نتایجی موفق هم ارائه نداده‌اند.

این مطلب در راستای تحلیل احساس در حوزه داروسازی، ترکیب دو شبکه عصبی عمیق کانولوشنی و شبکه عصبی بازگشتی GRU در یک معماری واحد، انجام شده است.

ترکیب مناسب لایه‌های دو شبکه فوق در یک معماری عمیق و همچنین استفاده از شبکه تعبیه کلمات پیش آموزش‌دیده FastText باعث شده معماری پیشنهادی در مقایسه با معماری‌های ترکیبی دیگر به نتایجی موفق‌تر دست یابد.

نتایج تجربی معماری عمیق ترکیبی پیشنهادی بر روی داده‌های Drug reviews نشان می‌دهد که مدل پیشنهادی توانسته به صحت ۹۰.۷‌% دست یابد که در مقایسه با روش‌های پیشین در حدود ۲.۲ درصد صحت تحلیل احساس را در صنعت دارو بهبود بخشیده است.

این موضوع بدان معناست که با استفاده از تحلیل احساسات مشتریان که در قسمت نظرات مشتریان وب‌سایت‌های دارویی درج شده، می‌توان به اطلاعاتی صحیح از نظرات تعداد زیادی کاربر صنعت دست یافت که با تحلیل احساس به‌وسیله ماشین به‌دست آمده‌اند.

*کارشناس ارشد تجارت الکترونیک

/انتهای پیام/