تحلیل احساسات کاربرانِ پارک‌های شهری مبتنی بر داده‌های فضای مجازی؛ با بهره‌گیری از روش‌های مدل‌گرا و غیرمدل‌گرا

نوع مقاله : پژوهشی - کاربردی

نویسندگان

1 گروه آموزشی طراحی شهری، دانشکده معماری و شهرسازی، دانشگاه هنر ایران، تهران، ایران

2 گروه طراحی شهری، دانشگاه هنر ایران

10.22059/jurbangeo.2025.382327.1988

چکیده

برای سنجش احساسات، از میان روش‌های مطرح در تحلیل احساسات، روش‌های مبتنی بر داده‌های فضای اجتماعی مجازی و داده‌کاوی که روش‌های نسبتاً نوین هستند، استفاده شده است. بنابراین پژوهش حاضر، از نوع تحلیلی و مبتنی بر روش کمی (رویکرد یادگیری ماشین نظارت شده و مبتنی بر لغت) است. در این پژوهش از گوگل‌مپ و داده‌های متنی به‌عنوان منبعی برای استخراج نظرات کاربران از نمونه‌ی مطالعاتی پژوهش -پارک ملت تهران- استفاده شده است. تعداد نظرات مورد استفاده از شبکه‌ی اجتماعی منتخب پس از متعادل‌سازی با تکنیک اسموت، 1692 رکورد بوده است. پس از پیش‌پردازش و برچسب‌گذاری، داده‌ها با دو روش: مدل‌گرا و غیرمدل‌گرا، بررسی و تحلیل احساسات با زبان برنامه‌نویسی پایتون، انجام شده‌ است. مقایسه‌ی این دو روش نشان داد که از میان الگوریتم‌های یادگیری ماشین، ایکس‌.جی.‌بوست با بیشترین دقت (87 درصد)، کی-نزدیکترین همسایه و ماشین بردار پشتیبان با دقت کمتر، قابلیت پیش‌بینی احساسات در فضاهای سبز را دارند. روش لغوی (که از فرهنگ لغت ویدر که روشی مبتنی بر قانون است، بهره برده) در مقایسه با یادگیری ماشین، قابلیت پیش‌بینی کمتری دارد. برای بالا بردن میزان پیش‌بینی‌پذیری از مدل یادگیری گروهی از نوع پشته‌سازی استفاده شده که با توجه به نتایج ماتریس درهم‌آمیختگی با دقت 96 درصد، قابلیت پیش‌بینی احساسات شهری را دارد. بنابراین با بهره‌گیری از این روش در تحلیل احساسات شهری که مبتنی بر داده‌های فضای مجازی است، می‌توان با آموزش ماشین، به پیش‌بینی احساسات کاربران سایر فضاهای سبز شهری با سرعت و دقت بالا در شهر تهران دست یافت.

کلیدواژه‌ها


عنوان مقاله [English]

Users' Emotions Analysis in Urban Parks based on Data in Virtual Space; Using Model-oriented and Non-model-oriented Methods

نویسندگان [English]

  • Maryam Mohammadi 1
  • Fatemeh Ghodousi 2
1 Urban Design Department, Iran University of Art
2 Urban Design, Iran University of Art
چکیده [English]

Among the proposed methods for sentiment analysis methods based on social virtual space data and data mining are relatively new methods that have been used in this research. Google Map and textual data has been used as a source to extract users' opinions from Mellat Park (Tehran). The purpose of this article is to compare the methods of urban sentiment analysis in Mellat Park and to present a predictive model of users' sentiments from urban green spaces in Tehran.

This research is analytical and based on a quantitative method (supervised machine learning and lexical-based). The number of comments used on the Google Map social network after balancing with Smote technique was 1692 records. After pre-processing and labeling the data sentiments have been examined and analyzed with two methods (model-oriented and non model-oriented) with Python programming language.

The comparison of these two methods showed that among the machine learning algorithms, XG Boost with the highest accuracy (87 percent), K-Nearest Neighbors and Support Vector Machine with less accuracy are capable of predicting sentiment in green spaces. Compared to machine learning, the non-model-oriented (which uses VADER as a rule-based method) is less predictive. Finally, by using a Blending Learning model of the Stacking type (which combines several weak learning algorithms with Meta learning) has been used, which according to the results of the confusion matrix, it has the ability to predict better with 96% accuracy.

کلیدواژه‌ها [English]

  • تحلیل احساسات شهری
  • پارک
  • شبکه‌ی اجتماعی
  • روش لغوی
  • یادگیری گروهی