مقالات ترجمه شده

الگوریتم های یادگیری ماشین و تجزیه و تحلیل معنایی (معنادار) احساسات برای پیش بینی احساسات (افکار) خودکشی گونه در شبکه های اجتماعی

عنوان فارسی

الگوریتم های یادگیری ماشین و تجزیه و تحلیل معنایی (معنادار) احساسات برای پیش بینی احساسات (افکار) خودکشی گونه در شبکه های اجتماعی


عنوان لاتین

Machine Learning and Semantic Sentiment Analysis based Algorithms for Suicide Sentiment Prediction in Social Networks

مشخصات کلی

سال انتشار 2017
کد مقاله 3240
فرمت فایل ترجمه Word
تعداد صفحات ترجمه 10
نام مجله Procedia Computer Science
نشریه ScienceDirect
درج جداول و شکل ها در ترجمه انجام شده است
جداول داخل مقاله ترجمه شده است

چکیده فارسی

تجزیه و تحلیل احساسات یکی از چالش های جدید پدیدار شده در پردازش زبان خودکار همراه با ظهور شبکه های اجتماعی است. با استفاده (بهره بردن) از حجم اطلاعاتی که اکنون در دسترس است ، پژوهشات و صنایع به دنبال راه هایی برای تجزیه و تحلیل خودکار احساسات و دیدگاه های اظهار شده کاربر در شبکه های اجتماعی هستند. در این مقاله ، ما خود را در جایگاه بررسی زمینه سخت ، احساسات و فکر به خودکشی ، قرار می دهیم. (به دنبال بررسی اینگونه احساست در این زمینه هستیم.) خصوصا ، اقدام به آدرس دهی (تعیین نمودن) کمبود منابع اصطلاحاتی (ترمینولوژی) مرتبط به خودکشی به وسیله روش ایجاد واژگانی مرتبط با خودکشی می کنیم. سپس اقدام به ، برای تجزیه و تحلیل بهتر ، بررسی Weka بعنوان ابزاری برای داده کاوی مبتنی بر الگوریتم های یادگیری ماشینی که می تواند به استخراج اطلاعات کارامد از داده توییتری گردآوری شده بوسیله Twitter4J منجر شود ، می کنیم. از این رو ، الگوریتم محاسباتی تجزیه و تحلیل احساسات مابین توییت ها در مجموعه آزمایشی و توییت های در مجموعه داده مبتنی بر WordNet پیشنهاد و ارایه شده است. نتایج آزمایشی (تجربی) نشان می دهد که روش ما بر مبنای الگوریتم های یادگیری ماشین و تجزیه و تحلیل معنایی احساسات می تواند منجر به استخراج پیش بینی افکارهای خودکشی با استفاده از داده های توییتر گردد. بعلاوه اینکه ، این پژوهش کارامدی عملکرد را ، از لحاظ دقت و صحت تجزیه و تحلیلات معنایی احساست که می تواند شامل افکار خودکشی باشد ، تایید می نماید.

چکیده لاتین

Sentiment analysis is one of the new challenges appeared in automatic language processing with the advent of social networks. Taking advantage of the amount of information is now available, research and industry have sought ways to automatically analyze sentiments and user opinions expressed in social networks. In this paper, we place ourselves in a difficult context, on the sentiments that could thinking of suicide. In particular, we propose to address the lack of terminological resources related to suicide by a method of constructing a vocabulary associated with suicide. We then propose, for a better analysis, to investigate Weka as a tool of data mining based on machine learning algorithms that can extract useful information from Twitter data collected by Twitter4J. Therefore, an algorithm of computing semantic analysis between tweets in training set and tweets in data set based on WordNet is proposed. Experimental results demonstrate that our method based on machine learning algorithms and semantic sentiment analysis can extract predictions of suicidal ideation using Twitter Data. In addition, this work verify the effectiveness of performance in term of accuracy and precision on semantic sentiment analysis that could thinking of suicide.

خرید و دانلود ترجمه این مقاله:

جهت خرید این مقاله ابتدا روی لینک زیر کلیک کنید، به صفحه ای وارد می شوید که باید نام و ایمیل خود را وارد کنید و پس از آن روی دکمه خرید و پرداخت کلیک نمایید، پس از پرداخت بلافاصله به سایت بازگشته و می توانید فایل خود را دانلود کنید، همچنین لینک دانلود به ایمیل شما نیز ارسال خواهد شد.

دیدگاه ها

هیچ دیدگاهی برای این مقاله ثبت نشده است

ارسال دیدگاه

مقالات معتبر علمی از ژورنال های ISI