پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,940,722 |
| تعداد دریافت فایل اصل مقاله | 89,609,969 |
The Application of Machine Learning Algorithms for Text Mining based on Sentiment Analysis Approach | ||
| Journal of Information Technology Management | ||
| مقاله 3، دوره 10، شماره 2، 2018، صفحه 309-330 اصل مقاله (929.57 K) | ||
| نوع مقاله: Research Paper | ||
| شناسه دیجیتال (DOI): 10.22059/jitm.2017.215513.1807 | ||
| نویسندگان | ||
| Reza Samizade1؛ Elnaz Mahmoudi Saeid Abad* 2 | ||
| 1Assistant Prof. of Industrial Engineering, Alzahra University, Tehran, Iran | ||
| 2MSc. Student of Industrial Engineering, Alzahra University, Tehran, Iran | ||
| چکیده | ||
| Classification of the cyber texts and comments into two categories of positive and negative sentiment among social media users is of high importance in the research are related to text mining. In this research, we applied supervised classification methods to classify Persian texts based on sentiment in cyber space. The result of this research is in a form of a system that can decide whether a comment which is published in cyber space such as social networks is considered positive or negative. The comments that are published in Persian movie and movie review websites from 1392 to 1395 are considered as the data set for this research. A part of these data are considered as training and others are considered as testing data. Prior to implementing the algorithms, pre-processing activities such as tokenizing, removing stop words, and n-germs process were applied on the texts. Naïve Bayes, Neural Networks and support vector machine were used for text classification in this study. Out of sample tests showed that there is no evidence indicating that the accuracy of SVM approach is statistically higher than Naïve Bayes or that the accuracy of Naïve Bayes is not statistically higher than NN approach. However, the researchers can conclude that the accuracy of the classification using SVM approach is statistically higher than the accuracy of NN approach in 5% confidence level. | ||
| کلیدواژه‌ها | ||
| Naïve bayes؛ neural network؛ Sentiment analysis؛ Support vector machine؛ Text mining | ||
| عنوان مقاله [English] | ||
| کاربرد الگوریتم‌های یادگیری ماشین در متن‌کاوی با رویکرد آنالیز احساس | ||
| نویسندگان [English] | ||
| رضا سمیع زاده1؛ الناز محمودی سعید آباد2 | ||
| 1استادیار دانشگاه گروه مهندسی صنایع، دانشکدۀ فنی و مهندسی، دانشگاه الزهرا، تهران، ایران | ||
| 2دانشجوی کارشناسی ارشد مهندسی صنایع، دانشکدۀ فنی مهندسی، دانشگاه الزهرا، تهران، ایران | ||
| چکیده [English] | ||
| تخصیص نظرها و متنهای منتشر شدۀ کاربران در فضای مجازی به طبقاتی با احساسات مثبت یا منفی، در تحقیق‌های مربوط به متن‌کاوی اهمیت بسیار زیادی دارد. هدف این مقاله، استفاده و مقایسۀ روش‌های یادگیری ماشین در طبقه‌بندی متنهای فارسی بر اساس احساسات کاربران فعال در فضای مجازی است. داده‌های پژوهش، مجموعه نظرهای منتشرشده دربارۀ فیلم‌های ایرانی و خارجی در بازۀ زمانی 1392 تا 1395 در سایت‌های سینمایی و نقد فیلم فارسی زبان است. پیش از بهکارگیری الگوریتم‌ها، فرایند پیش‌پردازش داده‌ها بر اساس تبدیل آنها به نویسه، حذف ایست‌واژه‌ها و تحلیل چند‌واژه‌ای انجام گرفت. برای طبقه‌بندی داده‌ها، الگوریتم‌های با نظارت نایوبیز، ماشین بردار پشتیبان و شبکۀ عصبی استفاده شد. براساس نتایج بهدستآمده، در آزمون خارج از نمونه با وجود دقت عددی بیشتر الگوریتم نایوبیز بر شبکۀ عصبی و ماشین بردار پشتیبان بر نایوبیز، برتری آماری نایوبیز بر شبکه‌های عصبی و ماشین بردار پشتیبان بر نایوبیز اثبات نشد. با وجود این، نتایج تحقیق گویای برتری معنادار الگوریتم ماشین بردار پشتیبان بر شبکه‌های عصبی در دقت طبقه‌بندی در سطح اطمینان 5 درصد است. | ||
| کلیدواژه‌ها [English] | ||
| آنالیز احساس, شبکه‌های عصبی, ماشین بردار پشتیبان, متن‌کاوی, نایو بیز | ||
| مراجع | ||
|
اسماعیلی، مهدی (1391). مفاهیم و تکنیکهای دادهکاوی، تهران، نیاز دانش. نیکنام، فرزاد؛ نیک نفس، علی اکبر (1395). بهبود روش‌های متن‌کاوی در کاربرد پیشبینی بازار با استفاده از الگوریتم‌های انتخاب نمونۀ اولیه. فصلنامۀ علمی ـ پژوهشی مدیریت فناوری اطلاعات، 8 (2)، 432- 415. References Aggarwal, C. C., & Zhai, C. (Eds.). (2012). Mining text data. Springer Science & Business Media.
Bhadane, C., Dalal, H., & Doshi, H. (2015). Sentiment analysis: measuring opinions. Procedia Computer Science, 45, 808-814.
Esmaili, M. (2012). Concepts and techniques of data mainig.Niaz Danesh Perss, Tehran. (in Persian)
Gao, K., Xu, H., & Wang, J. (2015). A rule-based approach to emotion cause detection for Chinese micro-blogs. Expert Systems with Applications, 42(9), 4517-4528.
He, W., Zha, S., & Li, L. (2013). Social media competitive analysis and text mining: A case study in the pizza industry. International Journal of Information Management, 33(3), 464-472.
Irfan, R., King, C. K., Grages, D., Ewen, S., Khan, S. U., Madani, S. A., ... & Tziritas, N. (2015). A survey on text mining in social networks. The Knowledge Engineering Review, 30(2), 157-170.
Jeyapriya, A., & Selvi, C. K. (2015, February). Extracting aspects and mining opinions in product reviews using supervised learning algorithm. In Electronics and Communication Systems (ICECS), 2015 2nd International Conference on (pp. 548-552). IEEE.
Jotheeswaran, J., & Kumaraswamy, Y. S. (2013). Opinion mining using decision tree based feature selection through manhattan hierarchical cluster measure. Journal of Theoretical & Applied Information Technology, 58(1), 72-80.
Kennedy, A., & Inkpen, D. (2006). Sentiment classification of movie reviews using contextual valence shifters. Computational intelligence, 22(2), 110-125.
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), 1093-1113.
Moraes, R., Valiati, J. F., & Neto, W. P. G. (2013). Document-level sentiment classification: An empirical comparison between SVM and ANN. Expert Systems with Applications, 40(2), 621-633.
Mosley Jr, R. C. (2012). Social media analytics: Data mining applied to insurance Twitter posts. In Casualty Actuarial Society E-Forum (Vol. 2, p. 1).
Niknam, F., Niknafas, A.A. (2016). Improving Text Mining Methods in Market Prediction via Prototype Selection Algorithms. Jornal of Information Technology Management, 8(2), 415-434. (in Persain)
Pradhan, V. M., Vala, J., & Balani, P. (2016). A survey on Sentiment Analysis Algorithms for opinion mining. International Journal of Computer Applications, 133(9), 7-11.
Ravichandran, M., & Kulanthaivel, G. (2014). Twitter Sentiment Mining (TSM) framework based learners emotional state classification and visualization for e-learning system. Journal of Theoretical & Applied Information Technology, 69(1), 84-90.
Smeureanu, I., & Bucur, C. (2012). Applying supervised opinion mining techniques on online user reviews. Informatica economica, 16(2), 81-91.
Vinodhini, G., & Chandrasekaran, R. M. (2012). Sentiment analysis and opinion mining: a survey. International Journal, 2(6), 282-292.
Xu, K., Liao, S. S., Li, J., & Song, Y. (2011). Mining comparative opinions from customer reviews for Competitive Intelligence. Decision support systems, 50(4), 743-754.
| ||
|
آمار تعداد مشاهده مقاله: 2,184 تعداد دریافت فایل اصل مقاله: 2,284 |
||