دانلود ترجمه مقاله مطالعه و آنالیز احساسات برای کلان داده های مبتنی بر وب

1. مقدمه 2. بررسی پیشینه 3. یک سری روش های یادگیری ماشین برای تحلیل احساسات 4. کارهای مرتبط 5. نتیجه گیری

مقدمه: در دنیای امروز کاربران می توانند نظرات خود را به هر اجتماع اینترنتی ارسال کنند، سایت ها، بلاگ ها و گره های بحث و گفتگو را مرور کنند که در کل محتوای تولید شده توسط کاربر نامیده می شود و حاوی اطلاعات مهمی است. این رفتار دهان به دهان گشتن اطلاعات به صورت آنلاین منبع جدید و قابل توجه اطلاعات و کاربرد آنها محسوب می شود. این توضیحات آنلاین در مقیاس جهانی و در وب منتشر می شوند. کاربران می توانند نظرات را درباره محصول ویژه ای ببینند، اما حجم بالای مرورها و نظرات بررسی همه آنها را غیرممکن می سازد. بنابراین کنکاش نظر به طبقه بندی و تحلیل این مرورها و نظرات کمک می کند و خلاصه ای تولید می کند که کاربر می تواند به شیوه موثرتری به آن نگاه کند [3، 2]. تحلیل معنایی نیز کنکاش نظر نامیده می شود و به استفاده از پردازش زبان طبیعی (NLP)، تحلیل متن و زبانشناسی رایانشی برای شناسایی و استخراج اطلاعات نظری (سابجکتیو) از بین مطالب منبع اشاره دارد [5،4]. اطلاعات متنی ممکن است واقعیت یا نظر باشد. واقعیت ها توضیحات عینی هستند که عناوین، رویدادها، و ویژگی ها را توضیح می دهند در صورتیکه نظر بیان شخصی است که نظرات، عواطف، و انگیزه های فرد را نسبت به موجودیت ها و ویژگی های شان توضیح می دهد. موتور جستجوی فعلی واقعیت را جستجو می کند که برخلاف نظرات، با کلمات کلیدی قابل بیان هستند و نمی توان آنها را طبقه بندی کرد. کار کنکاش نظر تشخیص ذهنیت و عینیت متن و طبقه بندی جهت گیری نظر متن ذهنی است. این روش از پردازش زبان طبیعی و اصول یادگیری ماشینی در تعیین نظر در متن استفاده می کند. کار اصلی در تحلیل معنایی، طبقه بندی دوگانگی یک متن خاص در سطح سند، جمله یا ویژگی / جنبه به عنوان مثبت، منفی یا خنثی است. فیلتر اسپم نیز لازم است و به شناسایی و حذف نظرات جعلی اشاره دارد که با دادن نظرات مثبت یا منفی غیرصادقانه به کاربران در مورد برخی چیزها به منظور پشتیبانی یا خراب کردن شهرت یک چیز، کاربران را گمراه می کند. این مسئله تحقیق حاضر نیز هست. ابزارهای منبع رایگان و باز زیادی برای انجام پردازش زبان طبیعی و یادیگری ماشینی وجود دارد [3]. کاربردهای عمده تحلیل معنایی در بازارهای مالی است. برای سرمایه گذار نظرات تحلیل گران و سرمایه گذاران دیگر درباره سهام یک شرکت، به منظور تشخیص روند قیمت اطلاعات مهمی به شمار می روند. وقتی شرکتی به برداشت مشتریان از محصولات شان توجه دارند، این تحلیل حائز اهمیت است. ممکن است این اطلاعات برای بهبود محصول یا شناسایی استراتژی های جدید بازاریابی بکار رود. گردشگران نیز از تحلیل معنایی برای آگاهی از بهترین مکان ها برای بازدید یا رستوران های معروف استفاده می کنند. با بکارگیری تحلیل معنایی می توان اطلاعات مربوط به برنامه ریزی یک سفر را بدست آورد. در سیاست، تحلیل معنایی را می توان در انتخابات بکار بست. با استفاده از تحلیل معنایی می توانیم به نظرات رأی دهنده درباره کاندید خاصی پی ببریم. با مرور فیلم ها یا برنامه های نرم افزاری می توان به احساسات کاربران پی برد.

INTRODUCTION: In today’s world users can post their comments on any internet forums, review sites, blogs and discussion group which are commonly known as user generated content which contains the important information. This online word-of-mouth behavior represents new and considerable sources of information and their applications. These online comments are expanded on a global or web scale. Users can view reviews on a particular product, but the large scale reviews make it almost to impossible to read them all. So Opinion mining helps classify and analyze these reviews and opinionated texts and produce a summary that the user can look into efficiently [2, 3]. Sentiment analysis is also known as opinion mining and refers to the use of natural language processing (NLP), text analysis and computational linguistics to identify and extract subjective information in source materials [4, 5]. Textual information can be facts or opinions. The facts are the objective expressions which describe the entities, events and properties whereas the opinion is the subjective expression which describes people's opinions, emotions and sentiments towards entities and their properties. The current search engine searches for facts and can be expressed with keywords unlike opinions that cannot be expressed with keywords and ranking cannot be done. The art Opinion Mining is to recognize the subjectivity and objectivity of a text and further classify the opinion orientation of subjective text. It used Natural Language Processing and Machine Learning ethics to determine opinion in the text. A basic task in sentiment analysis is classifying the polarity of a given text at the document, sentence, or feature/aspect level positive, negative, or neutral. Spam filtering is also required and refers to detection and removal of fake opinions that mislead the users by giving unworthy positive or negative opinions to some objects in order to sponsor or spoil the objects reputations respectively. It is also a research issue. There are lots of Free and Open Source tools available for performing Natural Language Processing and Machine Learning tasks [3]. Major applications of sentiment analysis are in financial markets. For investors is important information the analysts and other investors’ opinions about the stocks of a company, to identify price trends. It can be useful where a company is interested in customers' perceptions about its products. Information may be used to improve products and identifying new marketing strategies. Sentiment analysis is also used by tourists to know the best places to visit or famous restaurants. Applying sentiment analysis can be obtained relevant information for planning a trip. In politics sentiment analysis can be used on elections. Using sentiment analysis we can identify the voter opinions about a certain candidate. Movies or software programs reviews can detect users' sentiments.