Детальная информация

Тема диссертации: «Интеллектуальный анализ мнений пользователей на платформах электронной коммерции с использованием больших языковых моделей (LLM)». Цель работы: сравнительная оценка моделей анализа тональности для повышения точности классификации отзывов пользователей на платформе Digikalaи Snappfoodна персидском языке.В работе применены методы машинного обучения (SVM, NaiveBayes, RandomForest) с TF-IDF-векторизацией, а также проведен сравнительный анализ опубликованных результатов моделей-трансформеров (ParsBERT, mBERT) на наборе данных SentimentDKSF, отфильтрованном до 25 218 отзывов Digikala.Результаты: линейный SVMдостиг MacroF1 = 72,68% среди базовых моделей. Опубликованные эталоны показали, что ParsBERTдостигает F1 = 81,72%, превосходя mBERT(80,74%) и базовые модели на 9 процентных пунктов. Анализ ошибок выявил три категории сложных отзывов: короткие тексты, смешанные тональности и сарказм.Область применения: платформы электронной коммерции, системы бизнес-аналитики, управление репутацией бренда, системы рекомендаций.Выводы: трансформерные модели существенно превосходят традиционные методы машинного обучения для анализа тональности на персидском языке. Монолингвальная модель ParsBERTпоказала лучший результат, подтвердив ценность языково-специфичного предобучения для низкоресурсных языков.

The subject of the dissertation is intelligent sentiment analysis of user opinions in e-commerce platforms using large language models (LLM). The purpose of this study is to comparatively evaluate sentiment analysis models to improve the accuracy of classifying user reviews on the Persian-language Digikala and Snappfood platform. The research employs machine learning methods (SVM, Naive Bayes, Random Forest) with TF-IDF vectorization and conducts a comparative analysis of published transformer model benchmarks (ParsBERT, mBERT) on the SentimentDKSF dataset filtered to 25,218 Digikala-only reviews. Results: linear SVM achieved a Macro F1 of 72.68% among baseline models. Published benchmarks showed that ParsBERT reaches F1 = 81.72%, outperforming mBERT (80.74%) and baseline models by 9 percentage points. Error analysis identified three categories of challenging reviews: short texts, mixed sentiments, and sarcasm. Scope of application: e-commerce platforms, business intelligence systems, brand reputation management, and recommendation systems. Conclusions: transformer-based models significantly outperform traditional machine learning methods for Persian sentiment analysis. The monolingual ParsBERT model achieved the best result, confirming the value of language-specific pretraining for low-resource languages.