موسسه آموزش عالی آپادانا نشریه مطالعات مهندسی کامپیوتر آپادانا - Cross-Lingual Sentiment Analysis Using ParsBERT and BERT With BiLSTM-Attention تحلیل احساسات میان‌زبانی با استفاده از ParsBERT و BERT همراه با BiLSTM-Attention 10.22051/jera.2021.31891.2698 FA فاطمه گروه مهندسی کامپیوتر، موسسه آپادانا، شیراز، ایران محمد گروه مهندسی کامپیوتر، موسسه آپادانا، شیراز، ایران With the proliferation of multilingual content on social media and review platforms, sentiment analysis has become increasingly important across languages. However, most state-of-the-art sentiment classification models remain monolingual and are not evaluated consistently in cross-lingual scenarios. This study presents a dual-lingual sentiment analysis framework that leverages language-specific transformers—ParsBERT for Persian and BERT for English—enhanced with a shared BiLSTM and attention mechanism. The goal is to explore not only model performance in each language but also differences in semantic representation through cross-lingual embedding comparison. The architecture was trained and evaluated on two domain-diverse datasets: the IMDb English movie reviews and SnappFood Persian restaurant reviews. The English model achieved an accuracy of 93.2% and F1-score of 93.0%, while the Persian model achieved 91.3% accuracy and 91.1% F1-score. These findings suggest that although similar architectures can be effective across languages, language-specific challenges such as data sparsity and morphological variation impact performance. This research contributes a unified pipeline for bilingual sentiment modeling and highlights the semantic divergence in transformer embeddings across linguistic domains. 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. /downloadfilepdf/651854