روش جدید در عقیده کاوی و تحلیل احساسات (ترجمه مقاله روانشناسی)

عنوان انگلیسی مقاله: New Avenues in Opinion Mining and Sentiment Analysis
عنوان فارسی مقاله: روش های جدید در عقیده کاوی و تحلیل احساسات
دسته: روانشناسی
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 8
_______________________________________
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. 

ادامه دارد (Full-text)

ترجمه مقاله روانشناسی: کاربردهای عقیده کاوی

عنوان انگلیسی مقاله: A State Of The Art Opinion Mining And Its Application Domains
عنوان فارسی مقاله: عقیده کاوی و کاربردهای آن
دسته: روانشناسی و مدیریت
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 10
_______________________________________
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. 

ادامه دارد (Full-text)