تحلیل احساسات کاربران با هوش مصنوعی در پایتون (Sentiment Analysis)

💬 آیا تا به حال خواسته‌اید بدانید کاربران واقعاً درباره محصول، خدمات یا برند شما چه نظری دارند؟

با استفاده از هوش مصنوعی و پردازش زبان طبیعی (NLP) می‌توان هزاران نظر کاربران را به‌صورت خودکار بررسی و آن‌ها را به مثبت، منفی یا خنثی دسته‌بندی کرد.

این روش به کسب‌وکارها کمک می‌کند تا در مدت‌زمان کوتاهی از بازخورد مشتریان آگاه شوند و تصمیم‌های بهتری برای بهبود محصولات و خدمات خود بگیرند.

✅ مزایای تحلیل احساسات کاربران

• بررسی سریع هزاران نظر کاربران
• تشخیص خودکار نظرات مثبت، منفی و خنثی
• تحلیل احساسات مشتریان بدون نیاز به بررسی دستی
• مناسب برای فروشگاه‌های اینترنتی، اپلیکیشن‌ها، شبکه‌های اجتماعی و سیستم‌های پشتیبانی
• کمک به بهبود کیفیت محصولات و افزایش رضایت مشتریان

---

📦 پیش‌نیازها

برای اجرای این پروژه ابتدا باید Python 3.9 یا بالاتر روی سیستم شما نصب باشد.

سپس کتابخانه‌های موردنیاز را با دستور زیر نصب کنید:

pip install scikit-learn pandas

اگر از لینوکس یا مک استفاده می‌کنید ممکن است نیاز باشد از دستور زیر استفاده کنید:

pip3 install scikit-learn pandas

---

🐍 کد تحلیل احساسات با پایتون

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import make_pipeline

# داده‌های آموزشی
texts = [
    "این محصول عالیه، خیلی راضی‌ام",
    "خدماتشون فوق‌العاده بود",
    "اصلاً خوب نبود، پشیمون شدم",
    "کیفیتش پایین بود و دیر رسید",
    "نسبتاً خوب بود اما انتظار بیشتری داشتم"
]

labels = [
    "positive",
    "positive",
    "negative",
    "negative",
    "neutral"
]

# ساخت مدل
model = make_pipeline(
    TfidfVectorizer(),
    MultinomialNB()
)

# آموزش مدل
model.fit(texts, labels)

# جملات تست
test_sentences = [
    "پشتیبانی خیلی ضعیف بود",
    "بسته‌بندی عالی و تحویل سریع",
    "بد نبود، معمولی بود"
]

for sentence in test_sentences:
    prediction = model.predict([sentence])[0]
    print(f"متن: {sentence}")
    print(f"احساس: {prediction}\n")

---

▶️ نحوه اجرا

کد بالا را در فایلی با نام sentiment.py ذخیره کنید.

سپس در ترمینال یا Command Prompt دستور زیر را اجرا کنید:

python sentiment.py

یا در برخی سیستم‌ها:

python3 sentiment.py

---

🖥 خروجی برنامه

متن: پشتیبانی خیلی ضعیف بود
احساس: negative

متن: بسته‌بندی عالی و تحویل سریع
احساس: positive

متن: بد نبود، معمولی بود
احساس: neutral

---

📈 نتیجه

با چند خط کد می‌توانید یک سیستم ساده برای تشخیص احساسات کاربران پیاده‌سازی کنید. در پروژه‌های واقعی، هرچه داده‌های آموزشی بیشتر و متنوع‌تر باشند، دقت مدل نیز افزایش پیدا می‌کند.

اگر قصد دارید روی داده‌های واقعی مانند نظرات کاربران دیجی‌کالا، شبکه‌های اجتماعی یا نظرات فروشگاه اینترنتی خود تحلیل انجام دهید، پیشنهاد می‌شود از مدل‌های پیشرفته‌تر مانند BERT یا مدل‌های فارسی از پیش آموزش‌دیده استفاده کنید.

💡 نکته: این مثال برای یادگیری مفاهیم پایه تحلیل احساسات (Sentiment Analysis) طراحی شده است و می‌تواند نقطه شروع مناسبی برای ساخت سیستم‌های هوش مصنوعی پیشرفته‌تر باشد.