با گسترش محتوای چندزبانه در شبکه‌های اجتماعی و پلتفرم‌های بررسی آنلاین، تحلیل احساسات به طور فزاینده‌ای در میان زبان‌های مختلف اهمیت یافته است. با این حال، اغلب مدل‌های پیشرفته طبقه‌بندی احساسات ماهیتی تک‌زبانه داشته و در سناریوهای بین‌زبانی به‌صورت نظام‌مند ارزیابی نمی‌شوند. این پژوهش یک چارچوب تحلیل احساسات دو‌زبانه را ارائه می‌دهد که در آن از ترنسفورمرهای ویژه‌زبان، شامل ParsBERT برای فارسی و BERT برای انگلیسی، در ترکیب با یک لایه BiLSTM مشترک و مکانیزم توجه استفاده شده است. هدف، بررسی عملکرد مدل در هر زبان و نیز تحلیل تفاوت‌های بازنمایی معنایی از طریق مقایسه بردارهای نهفته بین‌زبانی است. معماری پیشنهادی بر روی دو مجموعه‌داده با دامنه‌های متفاوت شامل نظرات فیلم‌های انگلیسی (IMDb) و نظرات رستوران‌های فارسی (SnappFood) آموزش داده شد و مورد ارزیابی قرار گرفت. نتایج نشان داد مدل انگلیسی به دقت ۹۳.۲٪ و امتیاز F1 معادل ۹۳.۰٪ دست یافته است، در حالی که مدل فارسی با دقت ۹۱.۳٪ و امتیاز F1 برابر با ۹۱.۱٪ عملکرد مناسبی داشته است. این یافته‌ها نشان می‌دهد که اگرچه معماری مشابه می‌تواند در زبان‌های مختلف اثربخش باشد، اما چالش‌های خاص زبانی همچون کمبود داده و پیچیدگی‌های صرفی در زبان فارسی بر کارایی مدل تأثیر می‌گذارد. این پژوهش یک چارچوب یکپارچه برای مدل‌سازی احساسات دو‌زبانه ارائه می‌دهد و بر تفاوت‌های معنایی در بازنمایی ترنسفورمرها میان حوزه‌های زبانی مختلف تأکید می‌کند.

تحلیل احساسات پارسبرت برت شبکه حافظه طولانی کوتاه دو جهته مکانیزم توجه پردازش زبان طبیعی میان‌زبانی مقایسه فارسی و انگلیسی