Yelp Sentiment Analysis – مقارنة بين النموذج التقليدي و Transformer

في هذا المشروع تم تنفيذ نظام لتحليل المشاعر (Sentiment Analysis) يهدف إلى فهم آراء العملاء تلقائيًا من خلال مراجعاتهم النصية، مع مقارنة منهجيتين مختلفتين في بناء نماذج الذكاء الاصطناعي لمعرفة أيهما يقدّم أداءً أفضل في سيناريوهات الأعمال الحقيقية.

المشروع يعتمد على Yelp Polarity Dataset، وهي مجموعة بيانات معروفة تحتوي على مراجعات عملاء مصنّفة إلى مشاعر إيجابية وسلبية،

وتُستخدم على نطاق واسع في أبحاث ومع تطبيقات معالجة اللغة الطبيعية (NLP).

هدف المشروع:

تحليل مشاعر مراجعات العملاء بشكل آلي

مقارنة أداء النماذج التقليدية مقابل نماذج Transformer الحديثة

الوصول إلى توصية تقنية مبنية على النتائج الفعلية، وليس الافتراضات

منهجية العمل

النموذج التقليدي (Baseline Model)

تم بناء نموذج أساسي يعتمد على:

TF-IDF لتحويل النصوص إلى تمثيل رقمي

Logistic Regression كخوارزمية تصنيف

هذا النموذج يُستخدم كنقطة مرجعية لقياس الأداء، ويتميز بالبساطة وسرعة التنفيذ.

نموذج Transformer (Fine-Tuned DistilBERT)

تم استخدام نموذج DistilBERT المدرب مسبقًا، ثم:

إعادة تدريبه (Fine-Tuning) على بيانات Yelp

الاستفادة من تمثيل السياق الكامل للنصوص

تحسين دقة الفهم اللغوي للمراجعات الطويلة والمعقّدة

خطوات التنفيذ:

تحميل وتجهيز البيانات باستخدام مكتبة Hugging Face Datasets

تقسيم البيانات إلى تدريب واختبار

تدريب كل نموذج بشكل منفصل

تقييم الأداء باستخدام:

Accuracy

F1-Score

مقارنة النتائج وتحليل الفروق بين النموذجين

النتائج:

النموذج المعتمد على Transformer (DistilBERT) أظهر أداءً أعلى في فهم سياق النصوص

النموذج التقليدي كان أسرع وأخف، لكنه أقل دقة في بعض الحالات

تم الخروج بتوصية واضحة حول متى يُفضّل استخدام كل نموذج حسب احتياجات المشروع

الأدوات والتقنيات المستخدمة:

Python

Google Colab

Hugging Face (Transformers – Datasets – Trainer API)

Scikit-learn

Natural Language Processing (NLP)