آگاهی از رفتار و احساس مشتریان برای تصمیم گیری و مدیریت سازمان، با رویکرد نرمال در آنالیز احساس و استفاده از معنا شناسی متنی (متن کاوی) در شبکه های اجتماعی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,056

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IIEC12_002

تاریخ نمایه سازی: 8 آبان 1395

چکیده مقاله:

امروزه میکروبلاگ ها و شبکه های اجتماعی، به صورت گسترده و به عنوان منبعی غنی از اطلاعات و داده ها در شاخه های مختلفی استفاده میشوند. یکی ازمهمترین مواارد استفاده از آنها، آگاهی یافتن از احساس و نظرات مشتریان در خصوص برندی خاص در سازمان ها است. مطالعات بسیاری در خصوص شناسایی احساس نهفته در متن صورت گرفته است. اما اکثر آن ها احساس یک کلمه را ایستا و غیر قابل تغییر در نظر میگیرند. در این بررسی، ما از توییتر به عنوان یک شبکه اجتماعی فراگیر و غنی از اطلاعات کمک گرفته، تا روش احساس نرمال را برای شناسایی احساس پویا و متنی-پیوندی نهفته در متنی خاص پیاده سازی کنیم. برای این منظور، 4000 توییت را به طور کاملا تصادفی نمونه گیری کردیم تا به جهت گیری احساسات عمومی، پیرامون دو برند سرشناسدر صنعت موبایل ، آیفون و گلکسی، دست یابیم. نتایج ما نشان میدهد که مشتریان احساس و نظرات بسیار متنوعی در خصوص آیفون داشته ، اما به هر حال حد بالای احساس عمومی، بالاتر و مثبت تر از بازه احساسی است که گلکسی را در بر میگیرد. با استفاده از مجموعه داده اشاره شده، میتوانیم دقت روش در حدود 91,1 ٪ به دست آوریم که این میزان بالای دقت، نشان دهنده پیشی گرفتن دقت F-measure پیشنهادیمان ،احساس نرمال، را با استفاده از مقیاس از خط مبنا و سایر روش ها و مطالعاتی است که در این زمینه صورت گرفته است.

کلیدواژه ها:

آنالیز احساس ، تصمیم گیری و مدیریت سازمانی ، توزیع نرمال ، توییتر

نویسندگان

رضا سمیع زاده

عضو هیئت علمی و استاد یار دانشکده فنی مهندسی دانشگاه الزهرا (س)، تهران

رضا سمیع زاده

دانشجوی دانشکده فنی مهندسی دانشگاه الزهرا(س)، تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Khairullah Khan, B. B. (2014). Mining opinion components, from unstructured ...
  • Montoyo, M.-B. B. (2012). Subjectivity and sentiment analysis: An overview ...
  • Mostafa, M. M. (2013). More than words: Social networks; text ...
  • Yi, J. N. (2003). Sentiment analyzer: Extracting sentiments about a ...
  • Na, J. T. (2010). Comparing sentiment expression in movie reviews ...
  • Tumasjan, A. S. (2011). Election forecasts with Twitter: How 140 ...
  • Bollen, J. M. (2011). Twitter mood predicts the stock marke. ...
  • Arman Khadjeh Nassirtoussi, S. A. (2014). Text mining for market ...
  • Medhat Walaa, A. H. (2014). Sentiment analysis algorithms and applications: ...
  • Diana Maynard, Adam Funk. 2011 .Automatic detection of political opinions ...
  • _ _ _ _ _ _ semantic we. Boston, MA ...
  • Chetashri Bhadanea, H. D. (2015). Sentiment analysis: Measuring opinions. International ...
  • in Natural Language Processing, (pp. 79-86). ...
  • Alm, C. R. (2005). Emotions from text: machine learning for ...
  • Diman Ghazi, D. I. (2014). Prior and contextual emotion of ...
  • Turney, P. &. (2003). Measuring praise and criticismr Inference of ...
  • Lund K, B. C. (1996). Producing high-dimen sional semantic spaces ...
  • _ irtous si, S. A. (2014). Text mining for market ...
  • _ _ _ stomer reviews. the 10th ACM SIGKDD _ ...
  • E. Cambria, C. H. (2012). Senticnet 2: a semantic and ...
  • Thelwall, M. B (2012). Sentiment strength detection for the social ...
  • Hassan Saif, Y. H. (2015). Contextual semantics for sentiment analysis ...
  • _ _ _ Twitter. Proceedings of the 21st ACM _ ...
  • نمایش کامل مراجع