مروری بر آنالیز احساسی داده ها در شبکه های اجتماعی(توییتر)

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 986

This Paper With 7 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CITCONF02_319

تاریخ نمایه سازی: 19 اردیبهشت 1395

Abstract:

در سال های اخیر شبکه های اجتماعی و مخصوصاً میکروبلاگ ها توجه بسیاری از مردم را به خود جلب کرده است. جایی که میلیون ها کاربر قادرند افکار و نظرات خود را درباره موضوعات از جنبه های مختلف از طریق آنها به اشتراک گذارند. در این میان تویتر با نزدیک به 600 میلیون کاربر و بالغ بر 250 میلیون پیغام در روز به عنوان یکی از محبوب ترین و مهم ترین شبکه های اجتماعی می باشد. در نتیجه توییتر با عنوان منبع ارزشمندی از اطلاعات برای اخذ تصمیمات و آنالیز احساسی کاربران به شمار می رود. آنالیز احساسی، به مسئله طبقه بندی اطلاعات در آن جا که تمرکز اصلی روی پیش بینی قطبیت کلمات و سپس دسته بندی آنها به سه دسته کلاس مثبت، منفی و خنثی که در هر مدل و زبانی مطرح می شود اشاره دارد. آن نیز احساسی بر روی داده های توییتر اکراه سریع و مؤثر برای کاوش احساسات مردم از رضایت آنها درباره که برندی خاص، کسب و کار مدیران و... را به سازمان ها پیشنهاد می دهد. محدوده گسترده از ویژگی ها و متدها برای آموزش دسته بندی و طبقه بندی نظرات برای من وعده داد که توییتر با نتایج گوناگون مورد تحقیق و بررسی قرار گرفته است. در این مقاله به مطالعه مروری بر روی تکنیک های ارائه شده موجود در مقالات ارائه شده می پردازیم.

Authors

فاطمه فروزش

دانشجوی کارشناسی ارشد مهندسی کامپیوتر(نرم افزار)،دانشگاه پیام نور،تهران

احمد فراهی

استادیار گروه مهندسی کامپیوتر و فناوری اطلاعات،دانشگاه پیام نور،تهران

سولماز محمودیان

دانشجوی کارشناسی ارشد مهندسی کامپیوتر(نرم افزار)،دانشگاه پیام نور،تهران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • A. Cui, M. Zhang, Y. Liu, S. Ma, Emotion Tokens: ...
  • A. Bifet, E. Frank, Sentiment Knowledge Discovery in Twitter Streaming ...
  • A. Bifet, G. Holmes, B. Pfahringer, MOA- TweetReader real-time analysis ...
  • S. Ye, S.F.Wu, Measuring message propagation and social influence On ...
  • S. Argamon, K. Bloom, A. Esuli, F. Sebastiani, Automatically determining ...
  • X. Fu, Y. Guo, W. Guo, Z. Wang, et al., ...
  • A. Nagy, J. Stamberger, Crowd sentiment detection during disasters and ...
  • A. Montejo-Raez, E. M artne z-Camara, M.T. M artn-Valdivia, L.A. ...
  • R. Ortega, A. Fonseca, M. Mendoza, Y. Guti'errez, SSA-UO: unsupervised ...
  • F. _ ravo-Marquez , M. Mendoza, B. Poblete, Combining Strengths, ...
  • J. Kim, J. Yoo, H. Lim, H. Qiu, Z. Kozareva, ...
  • R. Machedon, W. Rand, Y. Joshi, Automatic Classification of Social ...
  • A. Balahur, Sentiment Analysis in Social Media Texts, 2013, pp. ...
  • Farhan Hassan Khan, Saba Bashir, Usman Qamar 2014 TOM: Twitter ...
  • Peter D. Turney and Michael L. Littman. 2002. Uns upervi ...
  • Bo Pang and Lillian Lee Department of Computer Science Thumbs ...
  • Melville, P., Gryc, W., & Lawrence, R. (2009). Sentiment analysis ...
  • Liu, Y, Chawla, N. V., Shriberg, E., Stolcke, A., and ...
  • نمایش کامل مراجع