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

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.

Keywords:

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