مروری بر روش های اندیشه کاوی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 822

فایل این مقاله در 18 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:

ITCC01_149

تاریخ نمایه سازی: 9 فروردین 1395

چکیده مقاله:

نظرات نقش بسیار مهمی در زندگی بشر ایفا میکنند. هنگامیکه یک تصمیم اتخاذ می گردد، نظراتافراد دیگر نیز در نظر گرفته می شود. امروزه میلیون ها کاربر در فضای وب نظرات خود را در موردموضوعات گوناگون از طریق بلاگ ها، گفتوگوهای برخط و شبکه های اجتماعی بیان می کنند.سازمان ها نیز همواره درصدد یافتن نظرات مصرف کنندگان در خصوص محصولات و خدمات خودهستند. ازاینرو توسعه ی روش هایی برای دسته بندی خودکار این اطلاعات به امری حیاتی تبدیل شدهاست. اندیشه کاوی زمینه ی تحقیقاتی جدیدی است که به تحلیل و دسته بندی این اطلاعات می پردازد.به عبارت دیگر اندیشه کاوی یا تحلیل احساسات، واکاوی خودکار نگرش ها، نظرات و احساسات ازمتون، گفتار و منابع پایگاه داده از طریق روش های پردازش زبان طبیعی است. هدف از اندیشه کاویدسته بندی نظرات به دو گروه نظرات مثبت و منفی است، هرچند در بعضی منابع گروه دیگری به عنواننظرات خنثی نیز به این دسته بندی اضافه می شوند. در این مقاله مهمترین الگوریتم های تحلیل نظراتدر دو دسته ی مختلف الگوریتم های مبتنی بر لغتنامه و روش های یادگیری ماشین معرفی می شوندو در انتها نیز نتایج حاصل از اعمال این روش ها با یکدیگر مقایسه می گردند.

کلیدواژه ها:

اندیشه کاوی ، تحلیل احساسات ، الگوریتم های مبتنی بر لغت نامه ، یادگیری ماشین

نویسندگان

الناز سادات میرائی آشتیانی

گروه مهندسی کامپیوتر، دانشگاه الزهرا (س) ، تهران

نوشین ریاحی

گروه مهندسی کامپیوتر، 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 :
  • International Conference on Information Techaology, Computer & Communication رایعنذپژو0 28 ...
  • شمس نجف‌آبادی، محمدرضا، اندیشه‌کاوی و تحلیل نظرات در مستندات فارسی، ...
  • International Conference on Information Techaology, Computer & Communication رایعنذپژو0 28 ...
  • International Conference on Information Techaology, Computer & Communication رایعنذپژو0 28 ...
  • International Conference on Information Techaology, Computer & Communication رایعنذپژو0 28 ...
  • Chen, Y. 2001. Yahoo! for Amazon: Opinion Extracting from Small ...
  • Liu, B 2012 .Sentiment Analysis and Opinion Mining .Morgan & ...
  • Wiebe, J.M 2000. Learning subjective adjectives from corpora.In Proceedings of ...
  • Turney, P. 2002. Thumbs up or thumbs down? Semantic Orientation ...
  • Littman, M. 2003. Measuring praise and criticsm: Inference of semantic ...
  • Baccianella, S. 2008. S EN TIWORDNE T 3.0: An enhanced ...
  • Riloff, E _ 2005. Creating objective and subjective sentence classifiers ...
  • Dasgupa, S. 2009. Mine the easy, classify the hard: a ...
  • Liu, K. 2015. Co-extracting opinion targets and opinion wirds from ...
  • Kim, S. 2005. Automatic detection of opinion bearing words and ...
  • Sebastiani, F. 2006. SentiWordNe :A publicly avaiable lexical resource for ...
  • Sebastiani, F. 2005. Determining the Semantic Orientation of terms through ...
  • Bergler, S. 2006. Mining WordNet for fuzzy sentiment: Sentiment tag ...
  • Hu, Y. 2009. Lyric-based song emotion detection with effective lexicon ...
  • Chakraborty, D. 2007. A fuzzy clustering methodology for linguistics opinions ...
  • Hai, Z. 201 1. Implicit feature identification via co-occurrenc association ...
  • Hai, Z. 2014. Identifying Features in Opinion Mining via Intrinsic ...
  • Lee, L. 2008. Using very simple statistics for review serach: ...
  • Qu, L. 2010. The b ag-of-opinions method for review rating ...
  • Yang, Q. 210. A survey on transfer learning .Knowledge and ...
  • Wu, D. 2014. A decision support approach for online stock ...
  • Berger, A. 1996. A maximum entropy approach to natural proccesing ...
  • Vapnik, V. 1998 .Statistical learning theory .Wiley intesience. ...
  • Collier, N. 2004. Sentiment analysis using support vector machine with ...
  • Dave, K. 2003. Mining the Peanut Gallery: Opinion Extraction and ...
  • Saleh, M. 2011. Expriments with SVM to classify opinions in ...
  • D ehdarbehb ahani, I. 2014. Semi- supervised word polarity identification ...
  • Waltinger, U. 2010. German polarity clues: _ lexical resource for ...
  • Dai, R. 2013. Opinion minng _ social media data .Mobile ...
  • Hung, Ch. 2013. Using objective words in SentiWordNt to improve ...
  • Bollegaa, D. 2013. Cross-domain sentiment classification using _ sentiment sensitive ...
  • Wa, X. 2008. Using bilingual knowledge and ensemble techniques for ...
  • Zhang J. 2008. An empirical study of sentiment analysis for ...
  • He, Y. 2010. Exploring English lexion knowledge for Chinise sentiment ...
  • Gio, K . 2014. A survey of internet public opinion ...
  • Lin, L. 2014. Opinion mining and sentiment analysis in social ...
  • Zhou, X. 2015. _ L OpinionMiner : opinion target extraction ...
  • Al-Kabi, M. 2014. Opinion mining and analysis for arabic language ...
  • Yamina, T. 2012. Identification of opinions in Arabic texts using ...
  • Michalcea, R. 2007. Learning multilingual subjective language via cross-lingual projectons ...
  • Xu, B. 2010. A sentiment model integrating multiple algorithms and ...
  • Joachim, T. 1998. Text Categorization with support vector machine: Learning ...
  • Xia, R. 2015. Dual sentiment analysis: considering tow sides of ...
  • Lewis, D. 1998. Naive (Bayes) at forty: The independence assumption ...
  • Weibe, J. 2003. Learning extraction patterns for subjective expressions in ...
  • Liu, L. 2012. Opinion mining based on feature-level Jmage and ...
  • نمایش کامل مراجع