ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

یادگیری عمیق کلان داده ها برای استخراج عقاید از توییتر با رویکرد نگاشت- کاهش

سال انتشار: 1396
کد COI مقاله: ICCONF03_045
زبان مقاله: فارسیمشاهده این مقاله: 533
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 10 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله یادگیری عمیق کلان داده ها برای استخراج عقاید از توییتر با رویکرد نگاشت- کاهش

سینا دامی - استادیار گروه کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
مجتبی جلالی - دانشجوی کارشناسی ارشد IT، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران ایران

چکیده مقاله:

عقیده کاوی به استخراج اطلاعات ذهنی از داده های متنی با استفاده از ابزارهایی نظیر پردازش زبان طبیعی (NLP)، تجزیه وتحلیل متن و زبانشناسی محاسباتی اشاره دارد. میکرو وبلاگ نویسی و شبکه اجتماعی محبوب ترین برنامه های کاربردی و 2.0 مانند توییتر و فیس بوک هستند، که برای اشتراک گذاری نظرات در مورد موضوعات مختلف طراحی شده است. این نوع نرم افزار یک منبع داده غنی برای عقیده کاوی و تحلیل احساسات هست. این اطلاعات برای مدیران که باید کیفیت محصول را بر اساس نظرات مشتریان بهبود بخشند، مهم است. در خصوص ویژگی یک محصول به عنوان مقال تلفن همراه، شناسایی ویژگی هایی که در مورد آن نظر داده شده بسیار سخت است (به عنوان مثال، کیفیت دوربین، عمر باتری، قیمت و غیره). در این مقاله، یک روش جدید مبتنی بر یادگیری عمیق را ارایه می دهیم که بتواند عقاید مشتری را در خصوص ویژگی های محصول از شبکه های اجتماعی با استفاده از فنون تحلیل متن و رویکرد نگاشت- کاهش (Map-Reduce) استخراج کند. این کار عقاید مشتریان در خصوص ویژگی های محصول را مشخص می کند. ما یک سیستم برای بازیابی توییت ها در مورد یک محصول از توییتر را توسعه می دهیم و نظرات در خصوص ویژگی های محصول و قطبیت آن ها را مشخص می کنیم. برای تایید اثربخشی این رویکرد، ما از یک مجموعه داده که توسط گروه بینگ لیس منتشر شده است، برای آزمایش استفاده کرده ایم. این مجموعه داده شامل بسیاری از نوشته های مشتری هایی است که از پنج محصول مانند Canon G3 و Nokia 6610 بازدید کرده اند. سپس، ما این روش را با توییت هایی که از توییتر درباره ی ویژگی های محصولات نوکیا، سامسونگ و آی فون بازیابی شده اند، مورد آزمون قرار دادیم.

کلیدواژه ها:

متن کاوی، کلان داده ها، عقیده کاوی، آنتولوژی، یادگیری عمیق، نگاشت کاهش (Map-Reduce)

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ICCONF03_045 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/741142/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
دامی، سینا و جلالی، مجتبی،1396،یادگیری عمیق کلان داده ها برای استخراج عقاید از توییتر با رویکرد نگاشت- کاهش،سومین کنفرانس ملی نوآوری و تحقیق در مهندسی برق و مهندسی کامپیوتر و مکانیک ایران،تهران،https://civilica.com/doc/741142

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1396، دامی، سینا؛ مجتبی جلالی)
برای بار دوم به بعد: (1396، دامی؛ جلالی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: 2,774
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی