روش جدید در عقیده کاوی و تحلیل احساسات (ترجمه)

چکیده

عقاید دیگران در موقع تصمیم گیری یا انتخاب یک گزینه از میان چندین گزینه می تواند بسیار حیاتی باشد. وقتی این گزینه ها حاوی منابع ارزشمند باشند (برای مثال صرف زمان و هزینه برای خرید محصولات یا سرویس ها) ، مردم اغلب به تجربیات قبلی خود تکیه می کنند. قبلاً منابع مهم اطلاعاتی، دوستان و مجلات و وبسایت های تخصصی بودند. حالا وب اجتماعی ابزار جدیدی برای ساخت و به اشتراک گذاری ایده ها با افراد متصل به شبکه جهانی وب فراهم می کنند. انجمن ها، بلاگ ها، شبکه های اجتماعی و سرویس های اشتراک محتوا به مردم در اشتراک گذاری اطلاعات مفید کمک می کند. این اطلاعات ساختیافته نیستند اما بخاطر اینکه برای مصارف انسانی تولید شده اند، قابل پردازش توسط ماشین نیستند. دریافت عقاید عمومی درباره رویدادهای اجتماعی، فعالیت های بازاریابی و اولویت های محصول، علاقه جوامع علمی و جهان تجارت را به خود جلب کرده است. زمینه های ادغام شده حاصل عقیده کاوی و تحلیل احساسات است. با وجود اینکه این دو عبارت معمولاً به جای یکدیگر استفاده می شوند عقیده کاوی و تحلیل احساسات به ترتیب روی تشخیص تمایلات و درک احساسات تمرکز دارند. به دلیل اینکه شناسایی احساسات برای تشخیص تمایلات استفاده می شود با این حال دو زمینه معمولاً زیر یک چتر ترکیب می شوند و حتی به عنوان هم معنی از آن ها یاد می شود. هر دو از تکنیک های داده کاوی و پردازش زبان طبیعی (NLP) برای کشف، بازیابی و استفاده از اطلاعات و عقاید در شبکه جهانی وب استفاده می کنند. احساس و عقیده کاوی از زبان طبیعی، چالش برانگیز است زیرا نیاز به درک عمیقی از قوانین آشکار و ضمنی، منظم و نامنظم و نحوی و معنایی زبان دارد. تحقیقات تحلیل احساسات با مشکلات حل نشده NLP دست و پنجه نرم می کند: وضوح هم ارجاعی، کنترل نفی، وضوح تکرار و وضوح حساس به کلمه. عقیده کاوی یک مسئله بسیار محدود NLP است زیرا سیستم فقط نیاز به درک احساسات مثبت و منفی از هر جمله و موجودیت ها و موضوعات مقصد دارد. بنابراین تحلیل احساسات یک فرصت برای محققان NLP است تا پیشرفت در همه زمینه های NLP و تأثیر عملی را ملموس تر کنند.

درخت تصمیم گیری decision tree

دسته: کامپیوتر

حجم فایل: 1286 کیلوبایت

تعداد صفحه: 66

درخت تصمیم گیری decision tree

داده کاوی: Data mining

کمپانی های زیادی از ابزارهای داده کاوی بهره گرفته اند تا بتوانند داده های حجیم و گسترده را مورد تجزیه و تحلیل قراد داده و روندهای موجود را بیابند. به عنوان نمونه فروشگاه بزرگ وال-مارت یکی از بزرگترین فروشگاههای زنجیره ای اقدام به ایجاد پایگاه عظیمی از داده ها به حجم 24ترابایت (ترلیون بایت) نموده است. با استفاده از این پایگاه وال _مارت قادر است تا بطور همزمان اقدام به گردآوری و تحلیل روند فروش کالا در2900شعبه فروش نماید. شاید جالب توجه باشد که بکمک ابزار هوشمندداده کاوی یا اکتشاف روند داده ها، فروشگاه فوق می تواند اطلاعات کلیه خریدها در سطوح هر بخش از فروشگاه، موجودی کالا درهر قفسه، موجودی انبار، پیش بینی فروش، کاهش یا افزایش قیمت ها، کالاهای مرجوعی توسط مشتریان و... را گردآوری نموده ودر اختیار مدیران فروشگاه، توزیع کنندگان و مشتریان خود قرار می دهد. این فناوری نرم افزاری قدرت مانور بی نظیری برای وال _ مارت ایجاد کرده است تا بتواند کالاهای مناسب را در کوتاهترین زمان به هر یک از فروشگاههای متقاضی برساند.

درخت تصمیم گیری

درخت تصمیم گیری یکی از ابزارهای قوی و متداول برای دسته بندی و پیش بینی می باشد. درخت تصمیم گیری برخلاف شبکه های عصبی به تولید قانون می پردازد. یعنی درخت تصمیم گیریپیش بینی خود را در قالب یکسری قوانین توضیح می دهد در حالیکه در شبکه های عصبی تنها پیش بینی بیان می شود و چگونگی آن در خود شبکه پنهان باقی می ماند. همچنین در درخت تصمیم گیری بر خلاف شبکه های عصبی لزومی ندارد که داده ها لزوما بصورت عددی باشند.

بعضی موارد وجود دارد که تنها درستی دسته بندی و پیش بینی مهم است و لزوما توضیحی برای پیش بینی انجام شده لازم نمی باشد. بعنوان مثال می توان یک شرکت مخابراتی را در نظر گرفت که می خواهد ببیند کدامیک از مشتریانش به خدمت جدیدی که ارائه می شود پاسخ مثبت می دهند. برای این شرکت درستی پیش بینی مهم است و شاید علت و توضیحی در مورد پیش بینی نیاز نداشته باشد. در حالیکه یک شرکت که قصد بازاریابی و کسب یکسری مشتری جدید دارد علاقه مند است که بداند که ویژگیهای مشتریانی که احتمالا به محصول این شرکت پاسخ می دهند چیست. در واقع با اطلاع ازاین ویژگیها این شرکت می تواند سراغ افرادی برود که با احتمال بیشتری به محصول این شرکت پاسخ مثبت می دهند. بعبارت دیگر این شرکت نیاز به یکسری قانون برای انجام بهتر فعالیت بازاریابی خود دارد. یکی از این قانونها می تواند بصورت زیر باشد

قیمت: 7,000 تومان

برنامه ریزی های سلسله مراتبی (AHP) برای پیشنهاد محصول به مشتری

• عنوان لاتین مقاله: Integrating AHP and data mining for product recommendation on customer lifetime value
• عنوان فارسی مقاله: ادغام برنامه ریزی های سلسله مراتبی (AHP) و داده کاوی برای پیشنهاد محصول به مشتری بر مبنای ارزش دوام آن
• دسته: اقتصاد
• فرمت فایل ترجمه شده: WORD (قابل ویرایش)
• تعداد صفحات فایل ترجمه شده: 19
• لینک دریافت رایگان نسخه انگلیسی مقاله: دانلود
• ترجمه سلیس و روان مقاله آماده خرید است.

خلاصه

پیشنهاد محصول، فعالیت کسب و کاری می باشد که برای جذب مشتری مهم می باشد. بنابراین، بهبود کیفیت این پیشنهادات برای تامین نیاز مشتریان در محیط رقابتی شدید دارای اهمیت زیادی می باشد. اگرچه سیستم های پیشنهاد دهنده متفاوتی مطرح شده است، اما تعداد کمی ارزش دوام مشتری را بریا شرکت مد نظر قرار داده اند. معمولا ارزش دوام مشتری ((CLV از نظر متغیرهای تازگی، تکرار و پولی (RFM) مورد ارزیابی قرار گرفته اند. به هر حال اهمیت نسبی در بین آن ها با توجه به مشخصات تولید و صنعت متفاوت می باشد. ما روش جدیدی از پیشنهاد محصول را ایجاد کرده ایم که تکنیک های تصمیم گیری گروهی و پردازش اطلاعاتی را مد نظر قرار می دهد. برنامه ریزی های سلسله مراتبی (AHP) نیز برای تعیین وزن نسبی متغیرهای RFM در ارزیابی ارزش دوام و وفاداری مشتری، مد نظر قرار می گیرد. سپس تکنیک های دسته بندی برای مشتریان طبقه بندی شده بر طبق به ارزش وزنی RFM به کار برده شده است. سرانجام روش بررسی قوانی مربوطه بکار گرفته شد، تا پیشنهاد محصول برای هر یک ار گروه های مشتری ارائه شود. نتایج تجربی نشان داده است که این روش ها پا را فراتر نهاده و از RFM های یکسان و روش های فیلترینگ همکاری استفاده کرده اند.

مقدمه

رقابت بیشتر شرکت ها را وادار می کند تا نوع آوری های خود را در بازار برای تامین نیاز مشتری و بهبود رضایت آن ها توسعه دهند. استفاده از اینترنت و رشد تجارت الکترونیک فعالیت های بازار را گسترش داده و حجم عظیمی از اطلاعات مربوط به مشتریان را برای تجزیه و تحلیل ایجاد کرده است. این گونه از فعالیت های اقتصادی با استفاده از تجزیه و تحلیل اطلاعات مربوط به مشتریان برای تعیین اولویت های آن ها دارای اهمیت زیادی بوده و باعث بهبود فرایند تصمیم گیری در بازار می گردد. ایجاد حمایت مناسب برای تامین نیاز مشتری در افزایش موفقیت فروشگاه های آنلاین اهمیت داشته و به این ترتیب موفقیت وب سایت ها بستگی به افزایش کیفیت خدمات و اطلاعات برای ارائه به مشتریان دارد.

• فرمت: zip
• حجم: 0.94 مگابایت
• شماره ثبت: 411

داده کاوی - 6

Data Mining (داده کاوی) - کافه دانشجو...

Data Mining (داده کاوی) پروژه پایانی کارشناسی ناپیوسته کامپیوتر - نرم¬افزار دانلود […] — ادامه متن

آموزش کامل OPNET

دسته: شبکه های کامپیوتری | حجم فایل: 3726 کیلوبایت | تعداد صفحه: 2000 | آموزش کامل Opnet | چکیده: | هدف اصلی این پایان­نامه این است که تمرین­های آزمایشگاهی را برای استفاده در رشته­های متعدد و مختلف دردانشگاه­ها گسترش دهد و یک بینش در مورد اینکه چگونه یک شبکه واقعی و پروتکل­ها رفتار می کنند، ارائه دهد. تمام لابراتوارها در محیط شبیه سازی Opnet Modeler 9. 0 که یک شبیه‌­ساز شبکه است، توسعه یافته اند و ابزارهایی برای مدل، طراحی، شبیه سازی و Data Mining و تجزیه و تحلیل ارائه می­کند. مجوز بسته نرم افزاری توسط Opnet Technologies Inc[1] داده شده است. | وسایل آموزشی شامل مجموعه­ای از فعالیت­های آزمایشگا […] — ادامه متن

داده کاوی جهانی: مطالعه تجربی از روند فعلی پیش بینی آینده و انتشار فناوری

• عنوان لاتین مقاله: Global Data Mining: An Empirical Study Of Current Trends, Future Forecasts And Technology Diffusions
• عنوان فارسی مقاله: داده کاوی جهانی: مطالعه تجربی از روند فعلی پیش بینی آینده و انتشار فناوری
• دسته: فناوری اطلاعات و کامپیوتر
• فرمت فایل ترجمه شده: Word (قابل ویرایش)
• تعداد صفحات فایل ترجمه شده: 28
• جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
• ترجمه سلیس و روان مقاله آماده خرید است.

| خلاصه | با استفاده از روش داده کاوی این مطالعه و تجلیل روند تحقیقات و پیش بینی داده کاوی را از سال 1989 ت […] — ادامه متن

Data mining for rapid prediction of facility fit and ...

Highlights • A data mining decisional tool was created for prediction of facility fit issues. • Monte Carlo simulation was used to mimic USP and DSP batch-to […] — ادامه متن

آرشیوداده کاوی

داده کاوی، فرایند مرتب سازی و طبقه بندی داده های حجیم و آشکارسازی اطلاعات مرتبط باهم می باشد. […] — ادامه متن

پاورپوینت داده کاوی و اکتشاف دانش

مقدمه

مفاهیم پایه در داده کاوی

تعریف داده کاوی

کاربردهای داده کاوی

مراحل فرایند کشف دانش از پایگاه داده ها

انبارش داده ها

انتخاب داده ها

تبدیل داده ها

کاوش در داده ها

تفسیر نتیجه

عملیاتهای داده کاوی

معیارهای انتخاب عملیات داده کاوی

عملیاتها و تکنیکهای داده کاوی

تحلیل پیوند

پارامترهای قوانین وابستگی

مدلها و الگوریتمهای داده کاوی

مدلها و الگوریتمهای داده کاوی

درخت های انتخاب

استنتاج قانون

الگوریتمهای ژنتیک

گامهای اصلی داده کاوی جهت کشف دانش

مراحل لازم برای ساخت یک پایگاه داده داده کاوی

آماده سازی داده برای مدل سازی

منابع و مراجع

عقیده کاوی از اسناد متنی

• عنوان لاتین مقاله: Mining Opinion from Text Documents: A Survey
• عنوان فارسی مقاله: عقیده کاوی از اسناد متنی.
• دسته: فناوری اطلاعات و کامپیوتر - دیجیتال و فناری
• فرمت فایل ترجمه شده: WORD (قابل ویرایش)
• تعداد صفحات فایل ترجمه شده: 9
• جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
• ترجمه سلیس و روان مقاله آماده خرید است.

خلاصه

عقیده کاوی (OM) یک زمینۀ تحقیقاتی جدید و نو ظهور است که با بازیابی اطلاعات و استخراج دانش از متن با استفاده از داده کاوی (DM) و پردازش زبان طبیعی (NLP) سروکار دارد. هدف OM این است که کامپیوتر را قادر سازیم که بتواند احساسات را تشخیص و بیان کند. دید یا رفتاری که بر اساس احساسات باشد به جای منطق، احساس گفته می شود. بنابراین OM به تحلیل احساسات نیز معروف است. سازمان های تجاری پول زیادی را صرف مشاوران و محققان کرده اند تا احساسات و عقاید مشتریان را در مورد محصولاتشان بدانند. به طور مشابه، افراد نیز به عقاید دیگران در مورد محصولات، خدمات، موضوعات و رویدادها برای یافتن بهترین انتخاب ها علاقه مند هستند. این نوع تحقیقات برای جمع آوری از میان انجمن های وب، بلاگ ها، گروه های گفتگو و جعبه های نظرات در حال حاضر بسیار آسان شده است. عقیده را می توان از هر شخص در مورد هر چیزی در جهان را می توان از طریق سایت های نظرسنجی، بلاگ ها و گروه های گفتگو و... به دست آورد. استخراج اطلاعات و کشف دانش یک زمینۀ مهم تحقیقاتی است. مسئلۀ استخراج دانش از شبکۀ جهانی، چالش برانگیزتر است زیرا داده های ذخیره شده در وب بسیار طبیعت پویایی دارند. داده ها به دلیل بروزرسانی های دائمی و افزودن اطلاعات جدید در هر لحظه به سرعت در حال تغییر هستند. می توان از وبسایت ها برای برنامه های مختلفی استفاده کرد. یکی از این برنامه های مهم وب، جمع آوری عقاید و استخراج الگوهای معنادار از آن هاست. در حین فرایند تصمیم گیری، اکثر ما از دیگران کمک می گیریم. این یک پدیدۀ طبیعی است که یک تصمیم خوب بر اساس عقیدۀ دیگران به دست می آید. قبل از شبکۀ جهانی وب، از عقیده ها به طور شفاهی یا توسط کلمات به اشتراک گذاشته می شد و ما مجبور بودیم از دوستان خود در مورد اینکه کدام آیتم از دیگران بهتر است سوال کنیم یا بخواهیم توضیح دهد که کدام ویژگی یک آیتم خوب و کدام بد است. با پیدایش شبکۀ جهانی وب، اشتراک گذاری دانش و کسب مزیت از تجربیات دیگران، ممکن شد. امروزه بیش از 75000 بلاگ جدید با 1.2 میلیون پست جدید روزانه ساخته می شود و 40 درصد مردم در جهان مدرن به نظرات، عقاید و توصیه های جمع آوری شده از بلاگ ها، انجمن ها و دیگر سایت های مربوطه تکیه می کنند. این امر اهمیت نیاز به OM را نشان می دهد.

• فرمت: zip
• حجم: 0.67 مگابایت
• شماره ثبت: 411

مدیریت استراتژیک خدمات در تجارت الکترونیک

• عنوان لاتین مقاله: The classification and strategic management of services in e-commerce
• عنوان فارسی مقاله: طبقه بندی و مدیریت استراتژیک خدمات در تجارت الکترونیک
• دسته: مدیریت
• فرمت فایل ترجمه شده: WORD (قابل ویرایش)
• تعداد صفحات فایل ترجمه شده: 8
• لینک دریافت رایگان نسخه انگلیسی مقاله: دانلود
• ترجمه سلیس و روان مقاله آماده خرید است.

خلاصه

بررسی های قبلی نتوانسته بخش خدماتی را مد نظر قرار دهد، که امروزه بخش مهمی از تراکنش های تجارت الکترونیک را شامل می گردد. برای غلبه بر چنین محدودیت هایی، این پژوهش تمرکزش را بر روی ارائه خدمات آنلاین قرار داده و به دنبال توسعه این طبقه بندی می باشد. به این منظور، خدمات آنلاین ار مکان های درگاه کشور کره شناسایی شده و توسط 11 متغیر دسته بندی شدند که درک مشتری را در مورد مشخصه های خدمات در بافت تجارت الکترونیک نشان می دهد. داده های تحلیل حاصل از بررسی بوده و تکنیک های داده کاوی و فرایندهای آماری شامل تحلیل فاکتور، خوشه بندی و تحلیل واریانس (ANOVA) مورد استفاده قرار گرفتند. در نتیجه، خدمات آنلاین به شش گروه دسته بندی شدند- متراکم، تخصصی، عقلانی، اعتبار، خدمات حمایتی و تاسیسات و مشخصه های مجزای هر گروه مورد بررسی قرار گرفته و استراتژی هایی برای بازاریتبی و فعالیت پیشنهاد شده اند. با درک خصوصیات منحصر به فرد هر گروه خدمات، مدیران می توانند به پیاد سازی استراتژی های مناسب تر پرداخته، نگرش های مثبت را به سمت تراکنش های آنلاین سوق داده و در نهایت اهداف خرید آنلاین را افزایش دهند.

مقدمه

از اواخر 1990، استفاده از وب سایتها به عنوان پل ارتباط بازاریابی با افزایش کاربران اینترنت افزایش یافت. پیشرفت فناوری اطلاعات سبب شد کالاها و خدمات گوناگونی بدون توجه به بعد زمان و مکان پدیدار شوند. نرم افزارهای پیشرفته منجر شد مشتریان و تجار تحت شرایط ایمن به خرید وفروش در اینترنت بپردازند. در نتیجه بازاریابی الکترونیکی به عنوان مکانی مجازی برای معاملات آنلاین مورد توجه قرار گرفت. که تلاش های بسیاری برای شناسایی عوامل موفقیت در تجارت الکترونیک صورت گرفت.

• فرمت: zip
• حجم: 0.21 مگابایت
• شماره ثبت: 411

روش خوشه بندی لاگ وب سرور (ترجمه)

چکیده

با توجه به سازمان دهی هرچه بیشتر اینترنت و شبکه گسترده جهانی برای انجام تجارت و کسب و کار، لازم است که برنامه ریزی های استراتژیک و تکنیک های راهبردی جهت جهت تجزیه و تحلیل در این زمینه مورد بررسی قرار گیرند. به همین منظور، ما یک بررسی و مطالعه اجمالی از تحقیقات و کارهای علمی اخیر در زمینه وب کاوی را با تمرکز بر روی سه روش و دیدگاه در رابطه با خوشه بندی وب ارائه می دهیم. تجزیه و تحلیل خوشه بندی، یک الگوریتم داده کاوی با کاربرد وسیع می باشد که در واقع فرآیند تقسیم بندی یکسری از داده ها به شماری از خوشه هاست که هر داده ای، شباهت بالایی با داده های دیگر در همان خوشه دارد اما از دیگر داده ها در خوشه های دیگر متفاوت است. در این تحقیق علمی، ما سه روش متفاوت را پیرامون وب کاوی بررسی کرده و سپس مزایا و معایب آن ها را آنالیز و تجزیه و تحلیل می کنیم و در پایان بر مبنای موثر ترین الگوریتم بدست آمده و همچنین نتایج حاصل از آزمایشات انجام شده بر روی فایل های وبلاگی گوناگون، به یک نتیجه گیری کلی دست پیدا می کنیم.

لغات کلیدی: وب کاوی، web usage mining، لاگ های وب سرور (وب لاگ ها) ، خوشه بندی

مقدمه

وب کاوی که با عنوان وب لاگ کاوی نیز شناخته می شود، فرآیند استخراج الگوها و طرح های قابل توجه از جستجو در فهرست قابل دسترسی به وب می باشد. وب کاوی در واقع کاربرد تکنیک های داده کاوی به منظور کشف الگوهایی از وب می باشد. کاوش استفاده وب، روش پیداکردن کاربرانی است که در اینترنت به دنبال اهداف خاصی می گردند. بعضی از کاربران ممکن است به دنبال داده های متنی باشند در حالی که بعضی دیگر ممکن است بخواهند داده های سمعی و بصری را از اینترنت دریافت نمایند. کاوش استفاده وب به ما کمک می کند تا الگو هایی از گروه های مشخصی از افراد را که به مناطق مشخصی تعلق دارند پیدا کنیم. هر زمان که درخواست هایی جهت تخصیص منابع دریافت شود، سازمان های سرویس دهنده شبکه، به محاسبه داده های جمع آوری شده درباره کاربران می پردازند. لاگ های وب سرور یک منبع مهم برای انجام وب کاوی محسوب می شوند چرا که به طور دقیق، رفتار مرورگری تمام مشاهده کنندگان سایت را ثبت می کنند.

روانشناسی: کاربردهای عقیده کاوی

چکیده

شرکت های صنعتی و تولیدی که محصولات جدید تولید می کنند، می خواهند بدانند مشتریانشان چه احساسی نسبت به این محصولات دارند و این اطلاعات را می توان با مطالعه عقیده ها در پورتال های نظرسنجی بدست آورد. در عین حال، کاربران یا مشتریان نیز می خواهند بدانند کدام محصول را بخرند پس این نظرات را می خوانند و سعی می کنند تصمیم گیری کنند. دیده شده است که عقیده های آنلاین روز به روز محبوب تر می شوند و این عقاید، غنی بودن اطلاعات را نشان می دهند که می تواند برای صنعت و مشتریان مفید باشد. با این حال، اینجام این کار به صورت دستی سخت و زمانبر است. به عنوان مثال، سازمان های تولیدی ترجیح می دهند اطلاعات به فرمتی باشد که برای استفاده راحت تر باشد، پس اتوماتیک کردن این فرایند بسیار مفید است. اینجاست که عقیده کاوی به میان می آید. در وب، عقاید را می توان به فرم متن، تصویر، صوت یا داده ویدئویی بیان کرد. این مقاله از متن کاوی فاصله می گیرد چون در این زمینه بسیار کار شده است. عقیده کاوی را می توان یک زیر اصل از زبان شناسی محاسباتی تعریف کرد که با عقیده ای که یک سند بیان می کند در ارتباط است. طبقه بندی احساسات تعیین کننده ذهنیت، قطبیت (مثبت و منفی) و قدرت قطبیت (مثبت ضعیف، مثبت میانه و مثبت قوی) یک متن عقیده است. عبارات مختلفی توسط محققان استفاده می شود تا احساسات را طبقه بندی کنند: عقیده کاوی، تحلیل احساسات، استخراج احساسات یا رتبه بندی کارا. ما در این مقاله برای سادگی از عبارات عقیده کاوی که همه این عبارات را دربر می گیرد استفاده می کنیم.

زمینه های مرتبط با عقیده کاوی

استخراج اطلاعات (IE) : آیا تبدیل اطلاعات متنی بدون ساختار به فرمت ساخت یافته که عموماً در پایگاه داده ها ذخیره و برای اهداف داده کاوی استفاده می شود، بر اساس یادگیری زبان ماشین است. داده های خاص، استخراج و در قالب موجود قرار می گیرند. این کار دقت اطلاعات بازیافتی را بهبود می بخشد و می تواند به عنوان پایه ای برای گروه بندی داده های استخراج شده استفاده شود.

عقیده کاوی و کاربردهای آن

• عنوان لاتین مقاله: A State Of The Art Opinion Mining And Its Application Domains
• عنوان فارسی مقاله: عقیده کاوی و کاربردهای آن.
• دسته: روانشناسی - مدیریت
• فرمت فایل ترجمه شده: WORD (قابل ویرایش)
• تعداد صفحات فایل ترجمه شده: 10
• جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
• ترجمه سلیس و روان مقاله آماده خرید است.

خلاصه

شرکت های صنعتی و تولیدی که محصولات جدید تولید می کنند، می خواهند بدانند مشتریانشان چه احساسی نسبت به این محصولات دارند و این اطلاعات را می توان با مطالعۀ عقیده ها در پورتال های نظرسنجی بدست آورد. در عین حال، کاربران یا مشتریان نیز می خواهند بدانند کدام محصول را بخرند پس این نظرات را می خوانند و سعی می کنند تصمیم گیری کنند. دیده شده است که عقیده های آنلاین روز به روز محبوب تر می شوند و این عقاید، غنی بودن اطلاعات را نشان می دهند که می تواند برای صنعت و مشتریان مفید باشد.

با این حال، اینجام این کار به صورت دستی سخت و زمانبر است. به عنوان مثال، سازمان های تولیدی ترجیح می دهند اطلاعات به فرمتی باشد که برای استفاده راحت تر باشد، پس اتوماتیک کردن این فرایند بسیار مفید است. اینجاست که عقیده کاوی به میان می آید. در وب، عقاید را می توان به فرم متن، تصویر، صوت یا دادۀ ویدئویی بیان کرد. این مقاله از متن کاوی فاصله می گیرد چون در این زمینه بسیار کار شده است. عقیده کاوی را می توان یک زیر اصل از زبان شناسی محاسباتی تعریف کرد که با عقیده ای که یک سند بیان می کند در ارتباط است. طبقه بندی احساسات تعیین کنندۀ ذهنیت، قطبیت (مثبت و منفی) و قدرت قطبیت (مثبت ضعیف، مثبت میانه و مثبت قوی) یک متن عقیده است. عبارات مختلفی توسط محققان استفاده می شود تا احساسات را طبقه بندی کنند: عقیده کاوی، تحلیل احساسات، استخراج احساسات یا رتبه بندی کارا. ما در این مقاله برای سادگی از عبارات عقیده کاوی که همۀ این عبارات را دربر می گیرد استفاده می کنیم.

1.زمینه های مرتبط با عقیده کاوی

استخراج اطلاعات (IE) : آیا تبدیل اطلاعات متنی بدون ساختار به فرمت ساخت یافته که عموماً در پایگاه داده ها ذخیره و برای اهداف داده کاوی استفاده می شود، بر اساس یادگیری زبان ماشین است. داده های خاص، استخراج و در قالب موجود قرار می گیرند. این کار دقت اطلاعات بازیافتی را بهبود می بخشد و می تواند به عنوان پایه ای برای گروه بندی داده های استخراج شده استفاده شود.

• فرمت: zip
• حجم: 0.52 مگابایت
• شماره ثبت: 411