پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,037 |
| تعداد مشاهده مقاله | 125,519,776 |
| تعداد دریافت فایل اصل مقاله | 98,779,037 |
Presenting a Text Mining Algorithm to Identify Emotion in Persian Corpus | ||
| Journal of Information Technology Management | ||
| مقاله 6، دوره 10، شماره 2، 2018، صفحه 375-389 اصل مقاله (398.18 K) | ||
| نوع مقاله: Research Paper | ||
| شناسه دیجیتال (DOI): 10.22059/jitm.2017.224726.1923 | ||
| نویسندگان | ||
| Masoud Garshasbi1؛ Anahid Rais-Rohani* 2؛ Mohammadreza Kabaranzadeh Ghadim3 | ||
| 1Research Instructor, Faculty of Iran Telecommunication Research Center, Tehran, Iran | ||
| 2MSc, Software Engineering, Islamic Azad University, Karaj Branch, Tehran, Iran | ||
| 3Associate Prof. of Management, Islamic Azad University, Central Tehran Branch, Tehran, Iran | ||
| چکیده | ||
| The literature regarding Persian text mining indicates that most studies are conducted to detect polarity of opinions on social websites. The aim of this research is presenting an algorithm to identify emotion implemented in the text based on the following six main emotions of happiness, sadness, fear, anger, surprise and disgust. In this research, the emotion will be examined based on unsupervised lexicon method. Identifying emotions conveyed by the texts based on a single emotional word will produce low accuracy because the intervening boosters and negating words can influence the emotion of the text too. Therefore, the algorithm has been implemented in six approaches with different features. In the first approach, the algorithm is capable of detecting only one emotional word in a sentence, and then it improves to detect boosters and negating and stop word list as well. The results of running the algorithm on two domains of data showed that the more features used in the algorithm, the more accurate the algorithm becomes and that the most effective factor is part of speech. | ||
| کلیدواژه‌ها | ||
| Data Mining؛ Emotion analysis؛ Sentiment mining؛ Text mining؛ Web mining | ||
| عنوان مقاله [English] | ||
| ارائۀ الگوریتم متن‌کاوی بهمنظور تشخیص حس در متنهای فارسی | ||
| نویسندگان [English] | ||
| مسعود گرشاسبی1؛ آناهید رئیس روحانی2؛ محمدرضا کاباران زاده قدیم3 | ||
| 1مربی پژوهشی، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران | ||
| 2کارشناس ارشد مهندسی نرمافزار، دانشکدۀ مکاترونیک دانشگاه آزاد اسلامی واحد کرج، تهران، ایران | ||
| 3دانشیار گروه مدیریت، دانشکدۀ مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران | ||
| چکیده [English] | ||
| در متن‌کاوی متنهای فارسی، در زمینۀ چگونگی استخراج ویژگی‌ها برای دسته‌بندی و بررسی نظرها در سایت‌های اجتماعی بهمنظور تشخیص قطبیت متن، مطالعاتی انجام شده است. هدف این پژوهش، ارائۀ الگوریتمی برای آنالیز حس متن فارسی، بر اساس شش حس پایۀ خوشحالی، ناراحتی، ترس، خشم، تعجب و تنفر است. در این پژوهش، آنالیز احساس به روش غیرنظارتی مبتنی بر لغتنامه انجام شده است. تشخیص حس جمله فقط با در نظر گرفتن یک لغت عاطفی دقت زیادی ندارد؛ زیرا عوامل دیگری نیز در جمله مانند تشدیدکننده‌ها و نفی‌کننده‌ها وجود دارند که روی حس متن تأثیر می‌گذارند. از این رو، الگوریتم به شش روش با در نظر گرفتن ویژگی‌های متفاوت نوشته شده است. در روش اول الگوریتم قابلیت تشخیص یک لغت عاطفی درون جمله را دارد؛ سپس قابلیت تشخیص تشدیدکننده، نفی‌کننده و لغات ایست اضافه میشود. نتایج بهدست آمده از اجرای الگوریتم‌ها روی دو نمونه داده، نشان می‌دهد با در نظر گرفتن ویژگی‌های بیشتر، دقت الگوریتم نیز افزایش مییابد که در آن عاملِ قسمتی از سخن، بیشترین تأثیر را دارد. | ||
| کلیدواژه‌ها [English] | ||
| آنالیز احساس, اندیشه‌کاوی, دادهکاوی, متن‌کاوی, وب‌کاوی | ||
| مراجع | ||
|
علیمردانی، سعیده و آقایی، عبداله (2015). اندیشه‌کاوی در زبان فارسی. فصلنامۀ مدیریت فناوری اطلاعات، 2(7)، 362- 345. References Ali Mardani, S. & Aghayi, A. (2015). Opinion Mining in Persian Language. Journal of Information technology management, 2(7), 345-362. (in Persian)
Balahur, A. & Turchi, M. (2014). Comparative experiments using supervised learning and machine translation for multilingual sentiment analysis. Computer Speech and Language, 28(1), 56–75.
Banea, C. & Mihalcea, R. & Wiebe, J. (2014). Sense-level subjectivity in a multilingual setting. Computer Speech and Language, 28(1), 7–19.
Barawi Hardyman, M. & Seng, Y. (2013). Evaluation of resource creations accuracy by using sentiment Analysis. Procedia - Social and Behavioral Sciences, 97(11), 522 – 527.
Brychcín, T. & Konopík, M. (2014). Semantic spaces for improving language modeling. Computer Speech and Language, 28(1), 192 – 209.
Dotti, F. (2013). Overcoming Problems in Automated Appraisal Recognition: the Attitude System in Inscribed Appraisa. Procedia - Social and Behavioral Sciences, 95(10), 442 – 446.
Ghazi, D. & Inkpen, D. & Szpakowicz, S. (2014). Prior and contextual emotion of words in sentential context. Computer Speech and Language, 28(1), 76–92.
Hadanoa, M. & Shimadaa, K. & Endoa, T. (2011). Aspect identification of sentiment sentences using a clustering Algorithm, Procedia - Social and Behavioral Sciences, 27(10), 22 – 31.
Haddia, E. & Liua, X. & Shib, Y. (2013). The Role of Text Pre-processing in Sentiment Analysis. Procedia Computer Science, 17(5), 26 – 32.
Lambova, D. & Paisa, S. & Diasa, G. (2011). Merged Agreement Algorithms for Domain Independent Sentiment Analysis. Procedia - Social and Behavioral Sciences, 27(10), 248 – 257.
Devika, MD. & Sunitha, C. & Ganesha, A. (2016). Sentiment Analysis: A Comparative Study On Different Approaches, Procedia Computer Science,s, 87(5), 44 – 49.
Yu, L. & Wu, Ch. & Jang, F. (2009). Psychiatric document retrieval using a discourse-aware model. Artificial Intelligence, 173(7), 817–829.
| ||
|
آمار تعداد مشاهده مقاله: 2,153 تعداد دریافت فایل اصل مقاله: 1,400 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب