تجزیه و تحلیل احساسات در سطح ویژگی محصول و مبتنی بر جنسیت کاربران

محمدی, شهریار; ناظمی, اسلام

doi:10.22054/ims.2021.52110.1723

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ کارشناسی‌ارشد مهندسی فناوری اطلاعات، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران

² دانشیار دانشکده مهندسی و علوم کامپیوتر دانشگاه شهید بهشتی، تهران، ایران.مدیر مرکز آموزشهای الکترونیکی دانشگاه شهید بهشتی( نویسنده مسئول: Nazemi@sbu.ac.ir)

https://doi.org/10.22054/ims.2021.52110.1723

چکیده

داده‌های شبکه‌های اجتماعی یکی از موثرترین و دقیق‌ترین شاخص‌های احساسات عمومی است، بطوریکه تجزیه و تحلیل این اطلاعات می‌تواند نتایج جالبی از احساسات کاربران نسبت به هر شخصیت، موضوع، محصول و خدمات را برای محققین نمایان سازد. در این پژوهش، ضمن بررسی نظرات کاربران در شبکه اجتماعی توییتر در مورد ویژگی‌های مختلف دو محصول رقیب تلفن همراه در بازار یعنی Iphone X شرکت اپل و Galaxy S9 شرکت سامسونگ، احساسات آنان را براساس جنسیت مصرف‌کنندگان این دو محصول مورد بررسی قرار می‌دهیم. این بررسی با استفاده از روش مبتنی بر رابطه در مرحله استخراج ویژگی و رویکرد مبتنی بر لغت‌نامه احساسی در مرحله تعیین قطبیت نظرات انجام می‌گیرد. نتایج این تحقیق بیان می‌دارد که محبوبیت ویژگی‌های مختلف محصول بین کاربران مرد و زن متفاوت بوده و براساس این نتایج، صاحبان کسب و کار می‌توانند اقدام به تولید محصولاتی با تمرکز بر جنسیت افراد کرده و یا به طراحی برنامه‌های هوشمند تبلیغاتی با توجه به علایق آنان بپردازند. این اقدامات در نهایت به افزایش سوددهی کسب و کار و رضایت‌مندی مشتریان منجر می‌گردد.

کلیدواژه‌ها

عنوان مقاله [English]

Sentiment Analysis at the Product Feature Level and Based on Users Gender

نویسندگان [English]

Shahriar Mohammadi ¹
Eslam Nazemi ²

¹ MSc., Information Technology Engineering, Islamic Azad University, Qazvin Branch, Qazvin, Iran.

² Assistant Professor, Faculty of Computer Engineering and Science, Shahid Beheshti University, Tehran, Iran Corresponding Author: Nazemi@sbu.ac.irCorresponding Author: Nazemi@sbu.ac.ir

چکیده [English]

Social media data is one of the most effective and accurate indicators of public sentiment, so that analyzing this information can provide researchers with interesting results from users' sentiment about characters, subjects, products, and services. In this study, while reviewing users' opinion on Twitter about the various features of two competing mobile phone products on the market, Apple's Iphone X and Samsung's Galaxy S9, we examine their sentiment based on the gender of consumers of these two products. This study is performed using the relation-based method in the feature extraction step and Lexicon-Based in the polarity of opinions step. The results of this study show that the popularity of different product features varies between male and female users, and based on these results, business owners can produce products that focus on people's gender or design smart advertising plan according to their interests. These measures ultimately lead to increased business profitability and customer satisfaction.

کلیدواژه‌ها [English]

Sentiment Analysis
Twitter
Feature extraction
Polarity of opinions

مراجع

شاه طالبی، ن.، کارگر, م.، میرزایی، ک. (1395). بررسی مدل‌های نظرکاوی و تجزیه و تحلیل احساسات کاربران در محیط وب. دومین کنفرانس بین المللی وب پژوهی. تهران: دانشگاه علم و فرهنگ.

Abdous, M., & He, W. (2011). Using text mining to uncover students’ technologyrelated problems in live video streaming. British Journal of Educational Technology, 40(5), 40-49.

Ansari, M., Aziz, M., Siddiqui, M., Mehra, H., & Singh, K. (2020). Analysis of Political Sentiment Orientations on Twitter. Procedia Computer Science, 167, 1821-1828.

Basari, A. S., Hussin, B., Ananta, G. B., & Zeniarja, J. (2013). Opinion Mining of Movie Review using Hybrid Method of Support Vector Machine and Particle Swarm Optimization. Procedia Engineering, 53, 453–462.

Belkaroui, R., & Faiz, R. (2015). Towards events tweet contextualization using social in uence model and users conversations. In Proceedings of the 5th International Conference on Web Intelligence, Mining and Semantics, page3.ACM.

Cambria, E., Schuller, B., Xia, Y., & Havasi, C. (2013). New avenues in opinion mining and sentiment analysis. IEEE Intelligent Systems, 28(2), 15-21. doi:0.1109/MIS.2013.30.

Global Web Index. (2020). Social H3 2020 report. Global Web Index: https://www.globalwebindex.com/reports/social

He, W., Shen, J., Li, Y., Akula, V., Yan, G., & Tao, R. (2015). Gaining competitive intelligence from social media data: Evidence from two largest retail chains in the world. Industrial Management & Data Systems, 115(9), 1622-1636.

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, 464-472.

Hu, M., & Liu, B. (2004). Mining opinion features in customer review. In processing of 19th National Conference on Artifical intelligence, AAAI Press, (. 755-760).

Hung, C., & Lin, H. K. (2013). Using Objective Words in SentiWordNet to Improve Word-of-Mouth Sentiment Classification. IEEE Intelligent Systems, 28(2), 47-54.

Hutto, C. J., & Gilbert, E. (2014). VADER: A Parsimonious Rule-Based Model for Sentiment Analysis of Social Media Text. AAAI Publications, Eighth International AAAI Conference on Weblogs and Social Media.

Ibrahim, N., & Wang, X. (2019). Decoding the sentiment dynamics of online retailing customers: Time series analysis of social media. Computers in Human Behavior(96), 32-45.

Li, Z. C., Zhang, M., MA, S. P., Zhou, B., & Sun, Y. (2009). Automatic extraction for product feature words from comments on the web. In: G.G. Lee (Ed.), Information Retrieval Technology, Springer-Verlag Berlin, Berlin, 112-123.

Liang, P. W., & Bi-Ru, D. (2013). Opinion Mining on Social Media Data. 2013 IEEE 14th International Conference on Mobile Data Management. Milan, Italy: IEEE. doi:10.1109/MDM.2013.73

Martinez, I., Valencia-Garcia, R., & Garcia-Sanchez, F. (2011). ntology-Guided Approach to Feature-Based Opinion Mining. Natural Language Processing and Information Systems, 193-200.

Mikula, M., & Machova, K. (2015). Classification of opinions in conversational content. IEEE 13th International Symposium on Applied Machine Intelligence and Informatics, (. 22-24).

Othman, R., Belkaroui, R., & Faiz, R. (2017). Extracting Product Features for Opinion Mining Using Public Conversations in Twitter. International Conference on Knowledge Based and Intelligent Information and Engineering Systems, KES2017, Procedia Computer Science 112 (2017), (. 927-935).

Pang, B., & Lee, L. (2002). Thumbs up ? Sentiment Classification using Machine Learning Techniques. In ACL-02 conference on Empirical methods in natural language processing, (79-86). doi:10.3115/1118693.1118704.

Pearson, T., & Wegener, R. (2013). Big data: the organizational challenge. September 11, 2013، www.bain.com/publications/articles/big_data_the_organizational_challenge.aspx

Piryani, R., Madhavi, D., & Singh, V. K. (2016). Analytical mapping of opinion mining and sentiment analysis research during 2000–2015. Information Processing and Management, 53(1), 122-150.

Vinodhini, G., & Chandrasekaran, R. M. (2013). Sentiment Mining Using SVM-Based Hybrid Classification Model. Computational Intelligence, Cyber Security and Computational Models (. 155-162). New Delhi: Springer. doi:10.1007/978-81-322-1680-3_18

Wang, H., Gao, S., Yin, P., & Nga-Kwok, J. (2017). Competitiveness analysis through comparative relattion mining: evidence from restaurant` online review. Industrial Management & Data Systems, 117(4), 672-687.

Ye, Q., Zhang, Z., & Law, R. (2009). Sentiment Classification of Online Review to Travel destinations by supervised machine learning approaches. Expert Systems with Applications, 36(3), 267-307.

Zhang, L., Biu, B., Lim, S. H., & O'Brien-Strain , E. (2010). Extracting and ranking product features in opinion documents. In Proceesings of the 23rd International Conference on Computational Linguistics: Posters, COLING' 10, Stroudsburg, PA, USA, (1462–1470).

Zhuang, L., Jing, F., & Zhu, X. (2006). Movie review mining and summarization. In processing of the ACM International Conference on Information and Knowledge Management (CIKM-2006), (. 43-50).

‌

‌ ‌استناد به این مقاله: محمدی، شهریار، ناظمی، اسلام. (1400). تجزیه‌وتحلیل احساسات در سطح ویژگی محصول و مبتنی بر جنسیت کاربران، مطالعات مدیریت کسب وکار هوشمند، 10(37)، 267-296.

DOI: 10.22054/IMS.2021.52110.1723

Journal of Business Intelligence Management Studies is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License..

مطالعات مدیریت کسب و کار هوشمند

تجزیه و تحلیل احساسات در سطح ویژگی محصول و مبتنی بر جنسیت کاربران

مراجع

مراجع

دوره 10، شماره 37
مهر 1400
صفحه 267-296

تجزیه و تحلیل احساسات در سطح ویژگی محصول و مبتنی بر جنسیت کاربران

مراجع

مراجع

دوره 10، شماره 37مهر 1400صفحه 267-296

دوره 10، شماره 37
مهر 1400
صفحه 267-296