دوره 10، شماره 35 و 36 - ( 1-1397 )                   جلد 10 شماره 35 و 36 صفحات 75-88 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mansoorizadeh M, sakhaei nia M, Nematifard N. Detection and Extraction of Fault Reports from Online User Reviews. فصلنامه فناوری اطلاعات. 2018; 10 (35 and 36) :75-88
URL: http://jor.iranaict.ir/article-1-1184-fa.html
منصوری زاده محرم، سخائی نیا مهدی، نعمتی فرد نرگس. کشف گزارش‌های نقص محصول از متن نظرات آنلاین کاربران . فصلنامه فناور اطلاعات و اتباطات ایران. 1397; 10 (35 و 36) :75-88

URL: http://jor.iranaict.ir/article-1-1184-fa.html

کشف گزارش‌های نقص محصول از متن نظرات آنلاین کاربران
محرم منصوری زاده، مهدی سخائی نیا، نرگس نعمتی فرد
دانشگاه بوعلی سینا
چکیده:   (121 مشاهده)
با توسعه وب 2 و شبکه­های اجتماعی، مشتریان و کاربران نظرهای خود را درباره­ی محصولات مختلف با یکدیگر به اشتراک می­گذارند. این نظرها به عنوان یک منبع ارزشمند، جهت تعیین جایگاه کالا و موفقیت در بازاریابی، می­تواند مورد استفاده قرار گیرد. استخراج نواقص گزارش شده از میان حجم زیاد نظرهایی که توسط کاربران تولید شده از مشکلات عمده این زمینه تحقیقاتی است. مشتریان و مصرف­کنندگان با مقایسه محصولات تولیدکنندگان مختلف نقاط قوت و ضعف محصولات را در قالب نظرهای مثبت و منفی بیان می­نمایند. طبقه­بندی نظرات بر اساس واژگان حسی مثبت و منفی در متن نظر به اسناد حاوی گزارش نقص و فاقد آن نتیجه درست و دقیقی در پی ندارد. چون گزارش نواقص صرفاً در نظرات منفی صورت نمی­گیرد. ممکن است که مشتری نسبت به یک کالا حس مثبتی داشته باشد و با این حال در نظر خود یک نقص را گزارش نماید. بنابراین چالش دیگر این زمینه تحقیقاتی طبقه­بندی درست و دقیق نظرات است. برای حل این مشکلات و چالش­ها، در این مقاله روشی موثر و کارا برای استخراج نظرهای حاوی گزارش نقص محصول از نظرهای آنلاین کاربران ارائه گردیده است. بدین منظور طبقه­بند جنگل تصادفی برای تشخیص گزارش نقص و تکنیک بدون ناظر مدل­سازی موضوعی تخصیص پنهان دیریکله را برای ارائه­ی خلاصه­ای از گزارش نقص بکار گرفته شدند. برای تحلیل و ارزیابی روش­ پیشنهادی از داده­های وب سایت آمازون استفاده شده است. نتایج نشان داد جنگل تصادفی حتی با تعداد کم داده­های آموزشی عملکرد قابل قبولی برای کشف گزارش نقص دارد. نتایج و خروجی­های استخراج شده از اسناد حاوی گزارش نقص، شامل خلاصه­ی گزارش نقص جهت سهولت در تصمیم­گیری تولید کننده­گان، یافتن الگوهای وجود گزارش نقص در متن به صورت خودکار و کشف جنبه­هایی از محصول که بیشترین گزارش نقص مربوط به آنها می­باشد، نشان دهنده توانایی روش تخصیص پنهان دیریکله است.
واژه‌های کلیدی: تشخیص گزارش خرابی، نظر کاوی، تحلیل حسی، تحلیل نظر کاربران، متن کاوی
متن کامل [PDF 465 kb]   (32 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فناوری اطلاعات و دانش
دریافت: ۱۳۹۶/۷/۲۴ | پذیرش: ۱۳۹۸/۱۱/۲۶ | انتشار: ۱۳۹۹/۲/۳
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

کلیه حقوق این وب سایت متعلق به می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 All Rights Reserved |

Designed & Developed by : Yektaweb