5 مقاله جدید در مورد عقیده کاوی

اختصاصی از فی گوو 5 مقاله جدید در مورد عقیده کاوی دانلود با لینک مستقیم و پر سرعت .

1- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا

2-کمی سازی گرایش احساسی نظرات متنی فارسی مشتریان بر روی کالای مشتریان بر روی ویژگی های کالا

3- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا

4-افزایش هوش تجاری براساس تحلیل عقاید در نقدهای فارسی

چکیده :

با گسترش تجارت الکترونیک و سیستمهای مدیریت درخواست مشتری، روزانه حجم عظیمی از دادههای متنی توسط کاربران بهطور مستقیم و غیرمستقیم تولید میشود. این دادههای متنی ارزش اطالعاتی بسیار باالیی دارند و واضح و بدیهی است که بررسی تمامی آنها بهطور دستی توسط انسان سخت و دشوار و در برخی موارد غیرممکن است. از طرفی خریداران یک محصول و حتی مدیران نیاز دارند تا اطالعات جامع و کارآمدی که حاصل تمامی نظرات داده شده است را مشاهده نمایند تا بتوانند در کوتاهترین زمان تصمیم درستی در خصوص کمیت و کیفیت در راستای گسترش خرید و یا فروش آن محصول اتخاذ نمایند. بررسی نتایج نشان میدهد که 11 %کاربران اینترنت قبل از خرید یک محصول یا خدمات راجع به آن جستجو نمودهاند و دیگر نظرات را مطالعه کردهاند. لذا در دهه اخیر، حوزه تحلیل احساست، نگاه بسیاری از محققان حوزه صنعت و دانشگاه را به خود معطوف کرده است اما متأسفانه بسیاری از این پژوهشها مختص زبان انگلیسی بوده و کارهای بسیار کمی در زبان فارسی صورت پذیرفته است. در این مقاله به ارائه چارچوبی خواهیم پرداخت که میتواند با استفاده از متون نقد کاربران در زبان فارسی قطبیت آن را پیشبینی نموده و ویژگیهای مورد نقد را استخراج نماید. در این راستای، ابتدا در مرحله پیشپردازش دادهها با جداسازی کلمات و جمالت، و ریشهیابی کلمات، اطالعات موردنیاز از نقدها استخراج شده و در گام بعدی با استفاده از مدل SVM نظرات و عقیده کاربران در مورد یک محصول و ویژگیهای آن طبقهبندی نمودیم. در پایان نیز مدل آموزش داده شده توانست با سرعت و دقت باالیی قطبیت نقدهای نوشته شده کاربران را بهدرستی پیشبینی نماید.

واژگان کلیدی: هوش تجاری، تحلیل احساسات، عقیدهکاوی، پردازش زبان طبیعی، مدل SVM

5-مروری بر رویکردهای ارائه شده در نظرکاوی

چکیده:

به طور کلی، عقیده کاوی و تجزیه و تحلیل احساسات کمک می کند تا شرکت ها و ارائه دهندگان خدمات عقاید و احساسات مشتریان و کاربران خود را بدانند و بر اساس نیازهای مشتریان و کاربران محصوالت و خدمات خود را ارائه دهند. رایت در ]21 ] ادعا می کند که "برای بسیاری از کسب و کار ها، عقیده کاوی آنالین، یک نوع ارز مجازی است که می تواند باعث شکست یا موفقیت یک محصول در بازار شود.". از طرفی این حوزه یکی از برترین عالیق دانشمندانی مانند روانشناسان اجتماعی را تشکیل می دهد، طوری که در برخی منابع عقیده کاوی را باز شدن پنجره ای به روی تفکر روانی و واکنش آنالین جوامع می دانند. این مسئله به مطالعه و درک اذهان عمومی در جوامع در زمان های خاص )در مورد موضوعات خاص موجود در جامعه( کمک می کند. به عنوان مثال، عقیده کاوی می تواند برای تحلیلگران سیاسی در پیش بینی نتایج انتخابات استفاده داشته باشد.

کلمات کلیدی:عقیده ، عقیده کاوی ، آنتولوژی ، آنتروپی ، یادگیری ماشین ، احساسات ، شبکه عصبی ، زبان شناسی

یک متاتطبیق دهنده آنتولوژی مبتنی بر روش های یادگیری ماشین

اختصاصی از فی گوو یک متاتطبیق دهنده آنتولوژی مبتنی بر روش های یادگیری ماشین دانلود با لینک مستقیم و پر سرعت .

 

یک متاتطبیق دهنده آنتولوژی مبتنی بر روش های یادگیری ماشین

 

تعداد صفحات: 8صفحه
نویسند‌گان:

[ مهری حقیقی ] - دانشجوی کارشناسی ارشد، گروه کامپیوتر - پردیس علوم و تحقیقات لرستان - دانشگاه آزاد اسلامی، لرستان - ایران

[ سید عبدالمجید موسوی ] - گروه کامپیوتر - دانشگاه لرستان، لرستان - ایران

خلاصه مقاله:

در وب معنایی، آنتولوژی نقش مهمی در ارائه ی تعاریف رسمی از مفاهیم و روابط برعهده دارد. بنابراین داشتن آنتولوژی های مشابه، نه کاملاً یکسان، در یک دامنه ی خاص اجتناب ناپذیر است، زیرا ممکن است برای یک مفهوم معانی مختلفی وجود داشته باشد. از این رو تطبیق این گونه آنتولوژی ها یکی از مباحث مطرح در حوزه ی وب معنایی می باشد. برای انجام عمل تطبیق از روش های گوناگونی استفاده می شود، که هر کدام از آن ها دارای مزایا و معایبی است. تحقیقات اخیر به استفاده از روش های یادگیری ماشین در تطبیق آنتولوژی ها پرداخته است. روش های یادگیری ماشین، یک مدل ریاضی از داده را ایجاد می نمایند و براساس آن، نمونه های جدید از همان داده را دسته بندی می کنند. در این مقاله یک متاتطبیق دهنده ی آنتولوژی معرفی می گردد که از یک روش ترکیبی یادگیری ماشین برای دسته بندی استفاده می نماید. نتایج حاصل از آزمایش نشان می دهد که متاتطبیق دهنده از کارایی بالاتری نسبت به روش های تطبیق مجزا برخوردار است.

کلمات کلیدی: 

تطبیق آنتولوژی، یادگیری ماشین، دسته بندی کننده، AdaBoost ، SVM

نحوه استناد به این 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:

حقیقی، مهری و سید عبدالمجید موسوی، 1392، یک متاتطبیق دهنده آنتولوژی مبتنی بر روش های یادگیری ماشین، همایش ملی مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدل سازی و امنیت سیستمها، مشهد، موسسه آموزش عالی خاوران.

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: (حقیقی، مهری و سید عبدالمجید موسوی، 1392)
برای بار دوم به بعد: (حقیقی و موسوی، 1392)