Sentiment Analysis of Mobile Legends App Reviews Using Machine Learning and LSTM-Based Deep Learning Models
تُظهر هذه الورقة أن نموذج التعلم العميق القائم على شبكات الذاكرة الطويلة قصيرة المدى (LSTM) يتفوق على أساليب التعلم الآلي التقليدية في تحليل مراجعات تطبيق "Mobile Legends"، محققاً دقة بنسبة 92% من خلال الالتقاط الفعال للفروق الدقيقة المتسلسلة والسياقية للنصوص غير الرسمية للمستخدمين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك مدير لمدينة ملاهي ضخمة وصاخبة تسمى "Mobile Legends". في كل يوم، يترك آلاف الزوار ملاحظات لاصقة على لوحة الإعلانات. بعضها يقول: "هذه اللعبة مذهلة!" (إيجابي)، وبعضها يقول: "الطابور كان طويلاً جداً واللعبة تعطلت!" (سلبي)، وآخرون يقولون: "كانت عادية، على ما أظن" (محايد).
المشكلة؟ هناك 10,000 ملاحظة، مكتوبة بمزيج فوضوي من العامية، والاختصارات، والإيموجي، وحتى بعض الكلمات الإنجليزية الممزوجة باللغة الإندونيسية. قراءة كل هذه الملاحظات يدوياً أمر مستحيل. لذلك، قرر الباحثون (فيرا، خاريسا، داريس، وفريقهم من معهد تكنولوجيا سوماترا) بناء "قارئين آليين" مختلفين لفرز هذه الملاحظات تلقائياً.
إليك كيف فعلوا ذلك، مشروحاً ببساطة:
القارئان الآليان
1. "ماسح الكلمات المفتاحية" (تعلم الآلة - Machine Learning)
فكر في هذا الروبوت كأنه أمين مكتبة منظم للغاية. هو لا "يقرأ" الجمل حقاً؛ بل يبحث عن كلمات محددة.
- كيف يعمل: يستخدم أداة تسمى TF-IDF (وهي تشبه قلم التحديد الذي يضع علامات على الكلمات التي تظهر كثيراً في الملاحظات السلبية ولكن نادراً ما تظهر في الإيجابية). ثم يجرب ثلاث استراتيجيات مختلفة:
- Naive Bayes: وهو مُخمّن سريع يفترض أن كل كلمة تعمل بمفردها.
- Logistic Regression: وهو مصنف يعتمد على الرياضيات الثقيلة، حيث يرسم خطاً مستقيماً للفصل بين "الجيد" و"السيئ".
- Random Forest: وهي لجنة من أشجار القرار التي تصوت على الإجابة.
- العيب: هذا الروبوت يعامل كل كلمة كجزيرة منعزلة. هو لا يفهم أن "ليس جيداً" تختلف عن مجرد كلمة "جيد"، لأنه يفتقد إلى فهم ترتيب الكلمات.
2. "الحكواتي" (التعلم العميق / LSTM)
هذا الروبوت يشبه الإنسان الذي يقرأ القصة بالفعل. يستخدم بنية دماغية خاصة تسمى LSTM (الذاكرة طويلة قصيرة المدى).
- كيف يعمل: بدلاً من مجرد النظر إلى الكلمات المفتاحية، يتذكر هذا الروبوت تسلسل الكلمات. هو يفهم أن في جملة مثل "اللعبة ليست ممتعة"، فإن كلمة "ليست" تغير معنى "ممتعة" تماماً. إنه يحتفظ بـ "ذاكرة" لبداية الجملة ليفهم نهايتها.
- التدريب: قام الباحثون بتغذيته بـ 10,000 ملاحظة، بعد تنظيف العامية الفوضوية والإيموجي أولاً، وتركوه يتعلم عبر 20 جولة (epochs).
عملية التنظيف (المعالجة المسبقة - Preprocessing)
قبل تقديم الملاحظات لأي من الروبوتين، كان على الفريق تنظيف البيانات. تخيل أنك تأخذ كومة من الأوراق الطينية والمجعدة وتقوم بـ:
- تحويل كل شيء إلى أحرف صغيرة (حتى تكون "Happy" و"happy" الشيء نفسه).
- إزالة الإيموجي، والروابط (URLs)، والرموز العشوائية.
- ترجمة الكلمات العامية إلى كلمات قياسية.
- حذف الكلمات التي لا تضيف معنى (كلمات التوقف مثل "الـ" أو "و").
- تقليص الكلمات المعقدة إلى جذورها (مثل تغيير "يلعب" إلى "لعب").
النتائج: من الفائز؟
وضع الباحثون كلا الروبوتين تحت الاختبار باستخدام مجموعة جديدة من الملاحظات التي لم يروها من قبل.
- ماسح الكلمات المفتاحية (تعلم الآلة): كان الأفضل بينهم هو Logistic Regression. لقد أصاب حوالي 77% من الملاحظات. كان جيداً، لكنه عانى مع اللغة المليئة بالعامية والاختصارات.
- الحكواتي (LSTM): هذا الروبوت سحق المنافسة. لقد أصاب 92% من الملاحظات. ولأنه فهم تدفق وسياق الجمل، كان أفضل بكثير في معرفة ما يعنيه اللاعبون الغاضبون أو السعداء حقاً.
مشكلة "المحايد"
كان هناك عقبة واحدة. كانت كومة الملاحظات غير متوازنة:
- 67% كانت سلبية (لاعبون غاضبون).
- 24% كانت إيجابية (لاعبون سعداء).
- 9% فقط كانت محايدة (لاعبون غير مبالين).
بسبب قلة الملاحظات "المحايدة"، ارتبك الروبوتان أحياناً وصنفوا الملاحظات على أنها "سلبية" أو "إيجابية". ظل الـ LSTM هو الأفضل في هذا، ولكن من الصعب تخمين المنطقة الوسطى عندما لا تملك أمثلة كافية للتعلم منها.
الخلاصة
تخلص الورقة البحثية إلى أنه بالنسبة للنصوص الواقعية الفوضوية مثل مراجعات ألعاب الهاتف المحمول، فإن نهج LSTM (التعلم العميق) هو الأفضل. إنه يشبه مقارنة روبوت يعد الكلمات فقط بروبوت يفهم القصة بالفعل.
لقد جعل الفريق عملهم متاحاً للجم العام أيضاً:
- بنوا موقعاً إلكترونياً بسيطاً حيث يمكن لأي شخص كتابة مراجعة ورؤية ما يعتقده الروبوت.
- نشروا جميع أكوادهم وبياناتهم على GitHub حتى يتمكن الباحثون الآخرون من مراجعة عملهم.
باختصار: إذا كنت تريد فهم ما يقوله اللاعبون حقاً في بيئة فوضوية مليئة بالعامية، فأنت بحاجة إلى روبوت يمكنه تذكر القصة، وليس مجرد روبوت يعد الكلمات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.