تحسين توقع رضا العملاء بدمج تحليل المشاعر (DistilBERT) مع خوارزميات تعلم الآلة
الكلمات المفتاحية:
رضا العملاء؛ تعلم الآلة؛ الغابة العشوائية؛ SMOTE؛ CFPB؛ DistilBERT؛ LinearSVCالملخص
يهدف هذا البحث إلى تطوير نموذج تنبؤي دقيق للتنبؤ باعتراض المستهلك استنادًا إلى بيانات شكاوى المستهلكين المقدمة إلى مكتب الحماية المالية للمستهلك (CFPB) باستخدام خوارزميات التعلم الآلي. اعتمدت منهجية العمل على معالجة البيانات الجدولية، ومعالجة اختلال توازن الفئات باستخدام تقنية SMOTE، بالإضافة إلى إدراج ميزة جديدة مستخرجة من تصنيف المشاعر في نصوص الشكاوى. تم تطبيق نموذج DistilBERT لاستخراج التمثيلات العددية (Embeddings) من نصوص الشكاوى، ثم استخدامLinear Support Vector Classifier (LinearSVC) لتصنيف المشاعر إلى ثلاث فئات: إيجابية، سلبية، أو حيادية. أُدرجت نتائج التصنيف كعمود إضافي في جميع مجموعات الخصائص المستخدمة في التجارب (X1، X2، X3)، والتي اختلفت فيما بينها من حيث عدد ونوع الخصائص الجدولية المرافقة لميزة المشاعر.
تم اختبار خوارزميتي شجرة القرار (Decision Tree) والغابة العشوائية (Random Forest) للتنبؤ باعتراض المستهلك على هذه المجموعات الثلاث، وأظهرت النتائج تفوق نموذج الغابة العشوائية في جميع الحالات، محققًا أعلى دقة بلغت 88.50% على المجموعة الكاملة X3. كما حقق نموذج تحليل المشاعر باستخدام DistilBERT دقة 77.74%، مما عزز الأداء الكلي للنماذج التنبؤية. تؤكد هذه النتائج أهمية دمج تقنيات معالجة اللغة الطبيعية مع الخصائص الجدولية في تحسين دقة نماذج التنبؤ بسلوك المستهلك.
