مقایسه تأثیر تحلیل احساسات و رتبه‌بندی کاربران بر عملکرد سیستم‌های پیشنهاد‌دهنده

نوع مقاله : پژوهشی اصیل

نویسندگان
فاطمه عباسی 1
آمنه خدیور 2
1 استادیار، مدیریت فناوری اطلاعات، گروه مدیریت فناوری اطلاعات، دانشکده فناوری اطلاعات، موسسه آموزش عالی مهر البرز، تهران، ایران.
2 دانشیار، مدیریت فناوری اطلاعات، گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران.
چکیده
در سال­های گذشته، ظهور شبکه­های اجتماعی منجر به افزایش توجه به سمت سیستم­های پیشنهاد‌دهنده مبتنی بر نظرها شده است. هدف از توسعه چنین سیستم­هایی استفاده از اطلاعات ارزشمند نظرهای متنی کاربران در فرایند الگو­سازی و ارائه پیشنهاد است. در محیط شبکه­های اجتماعی به‌طور معمول سیستم­های پیشنهاددهنده­ مبتنی بر پالایه نمودن مشارکتی برای ارائه توصیه به کاربران استفاده می­شود. اساس کار این رویکرد، تجربه و نظر سایر افراد برای خرید اقلام و محصولات است. در این پژوهش سیستمی برای ارائه توصیه به کابران برای خرید کتاب با ترکیب فیلتریگ مشارکتی و تحلیل احساسات ارائه شد. برای تحلیل احساسات از الگو­های ترکیبی برای استخراج عقاید نظرهای کاربران استفاده شد. در رویکرد ترکیبی از رأی‌گیری مبتنی بر وزن­ جهت الگو­سازی استفاده گردیده است. الگو پیاده‌سازی‌شده بر نظرهای 7210 کاربر و خریدار کتاب تارنمای آمازون که از راه خزنده وب از تارنما آمازون استخراج شده‌اند، ارزیابی شده است. برای ارائه توصیه به کاربران پس از تشکیل پروفایل اقلام، شباهت میان اقلام استخراج می­شود و در انتها اقلام مشابه با محصولاتی که هر کاربر به آن نمره خوبی داده است، به‌عنوان محصول پیشنهادی ارائه می­شود. نتایج نشان می­دهند تحلیل احساسات نظر کاربران بر پیشنهاد کالاهای مورد‌علاقه کاربر و عملکرد سیستم­های پیشنهاددهنده تأثیر مثبتی دارد.
کلیدواژه‌ها
سیستم پیشنهاد‌دهنده
ترجیحات
تحلیل احساسات
فیلترینگ مشارکتی

موضوعات

عنوان مقاله English

Comparing the effect of sentiment analysis and user ratings on the performance of recommender systems

نویسندگان English

fatemeh abbasi 1
ameneh khadivar 2
1 Assistant Professor, Information Technology Management, Department of Information Technology Management, Faculty of Information Technology, Mehr Alborz Institute of Higher Education, Tehran, Iran.
2 Associate Professor, Information Technology Management, Department of Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran.
چکیده English

In recent years, the emergence of social networks has led to an increasing attention to recommender systems based on user reviews. The purpose of developing such systems is to use valuable information from users' textual comments in the process of modeling and recommending. User comments reflect the actual opinions on the products and services, so they are a valuable resource for recommending. In social networking environments, collaborative filtering systems are used to provide advice to users. The basis of this approach is the experience and opinion of the other people to buy items and products. This approach is based on the assumption that users who have the same interest have a similar rank. In this research, a system is proposed to provide recommend for users to buy books by combining the collaborative filtering and sentiment analysis. For sentiment analysis, ensemble methods based on weighted voting have been used to extract user’s opinions. In the weighting method, a greater weight is assigned to a classifier which has higher accuracy. The selected model has been evaluated on the 7210 user’s comment which extracted from the Amazon website by the web crawler. The results show that the sentiment analysis of the feeling of the users' comments systems has a positive effect on the performance of recommender systems.

کلیدواژه‌ها English

Recommender system
Preference
Sentiment Analysis
Collaborative filtering
[1] Yu, Y., Duan, W., & Cao, Q. The impact of social and conventional media on firm equity value:A sentiment analysis approach. Decision Support Systems. Decision Support Systems, 2013,916-926.
[2] Liu, B.. Sentiment Analysis and Opinion Mining (Synthesis Lectures on Human Language Technologies). Williston: Morgan & Claypool Publishers,2012.
[4] Yan, G., He, W., Shen, J., & Tang, C.. A. bilingual approach for conducting Chinese and English social media sentiment analysis. Computer Networks, 2014, 491-503.
[3] Radovanović, M., & Ivanović, M. Text Mining: Approaches and Applications. Novi Sad J. Math,38(3), 2008,227-234.
[4] Yan, G., He, W., Shen, J., & Tang, C.. A bilingual approach for conducting Chinese and English social media sentiment analysis. Computer Networks, 2014, 491-503.
[5] Williams, L., Bannister, C., Arribas-Ayllon, M., Preece, A., & Spasic, I. The role of idioms in sentiment analysis. Expert Systems with Applications, 2015, 7375-7385.
[6] Schafer, J., Konstan, J., & Riedl, J. Recommender systems in e-commerce. Proceedings of the 1st ACM conference on Electronic commerce, 1999,158-166.
[7] Aggarwal, C. Recommender Systems: The Textbook. NY,: Springer,2016.
[8] مهران فر, آ., & رستگارپور, م.، سیستم های پیشنهاد دهنده در شبکه های اجتماعی. اهواز: انتشارات علوم و فنون پزشکی اهواز، 139).
[9] Singh, V., Mukherjee, M., & Mehta, G. Combining a Content Filtering Heuristic and Sentiment Analysis for Movie Recommendations. Springer-Verlag Berlin Heidelberg, 2011, 659-664.
[10] Kumar Singh, V., Mukherjee, M., & Kumar Mehta, G. Combining Collaborative Filtering and Sentiment Classification for Improved Movie Recommendations. International Workshop on Multi-disciplinary Trends in Artificial Intelligence, 2011, 38-50.
[11] Koukourikos, A., Stoitsis, G., & Karampiperis, P. Sentiment Analysis: A tool for Rating Attribution to Content in Recommender Systems. 2nd Workshop on Recommender Systems for Technology Enhanced Learning, 2012, 61-70.
[12] Gurini, D., Gasparetti , F., Micarelli , R., & Tre, R,. A Sentiment-Based Approach to Twitter User Recommendation. RecSys. 2013. Hong Kong: RSWEB.
[13] Chen, L., Chen , G., & Wang, F,. Recommender systems based on user reviews: the state of the art. User Model User-Adap Inter, 2015, 99-154.
[14] Alahmadi, D., & Zeng, X.-J, ISTS:Implicit social trust and sentiment based approach to recommender systems. Expert Systems With Applications, 2015, 8840-8849.
[15] Jayashree, R., & Kulkarni, D. Recommendation System with Sentiment Analysis as Feedback Component. Proceedings of Sixth International Conference on Soft Computing for Problem Solving ,(2017, 359-367.
[16] Gurusamy, V., & Kannan, S.. Preprocessing Techniques for Text Mining. RTRICS. Podi, 2014.
[17] Haddi, E., Liu, X., & Shi, Y,. The Role of Text Pre-processing in Sentiment Analysis. Procedia Computer Science, 2013, 26-32.
[18] Chibelushi, C., & Thelwall , M.. Text Mining for Meeting Transcript Analysis to Extract Key Decision Elements. International MultiConference of Engineers and Computer Scientists, 2009, 710-751.
[19] Katariya, N. P., & Chaudhari, M. S . Text Preprossing for GText Mining used side Information. International Journal of Computer Science and Mobile Applications, 2015, 1-5.
[20] Stavrianou, A., Andritsos, P., & Nicoloyannis, N. Overview and semantic issues of text mining. ACM SIGMOD Record, 2007, 23-34.
[21] Wang, Z,. The Evaluation of Ensemble Sentiment Classification Approach on Airline Services Using Twitter. Dublin: Dublin Institute of Technology, 2017.
[22] Cheng, H., Yan, X., Han, J., & Hsu, C.-W . Discriminative Frequent Pattern Analysis for Effective Classification. 2007 IEEE 23rd International Conference on Data Engineering. Istanbul: IEEE, 2007.
[23] Ramasubramanian, C., & Ramya, R. Effective Pre-Processing Activities in Text Mining using Improved Porter’s Stemming Algorithm. International Journal of Advanced Research in Computer and Communication Engineering, 4536-4538, 2013.
[24] Zubair Asghar, M., Khan, A., Ahmad, S., & Kundi, F. A Review of Feature Extraction in Sentiment Analysis. Journal of Basic and Applied Scientific Research, 2015, 181-186.
[25] Krouska, A., Troussas, C., & Virvou, M.. The effect of preprocessing techniques on Twitter. Chalkidiki. Greece: IEEE, 2016.
[26] Medhat, W., Hassan, A., & Korashy, H. . Sentiment analysis algorithms and applications:A survey. Ain Shams Engineering Journal, 2014.
[27] الهی, ش., قدس الهی, ا., & ناجی, ح. ، ارائه مدل ترکیبی شبکه های عصبی با بهره گیری از یادگیری جمعی به منظور ارزیابی ریسک اعتباری. انجمن فناوری اطلاعات و ارتباطات ایران .1393، 11-28.
[28] Zhang, Y., Zhang, H., Cai, J., & Yang, B.. A Weighted Voting Classifier Based on Differential Evolution. Abstract and Applied Analysis .2014 . بازیابی از http://dx.doi.org/10.1155/2014/376950
[29] V. RAGHAVAN a, V., & S. JUNG , G. A Critical Investigation of Recall and Precision as Measures of Retrieval System Performance. ACM Transactions on Information Systems, 1989, 206-229.
[30] نبوتی, ا., عزیزی, ا., عباسی, ا., وکیلی ارکی, ح., زارعی, ج., & رضوی, ا. کاربرد داده کاوی در پیش بینی مرگ بیماران سوختگی: مقایسه عملکرد چند الگوریتم. مدیریت اطلاعات سلامت، 1392، 779-789.
[31] صنیعی آباده, م., & محمودی, س.، داده کاوی کاربردی. تهران: نیاز دانش1394.
[32] Kohavi, R. A Study of CrossValidation for Accuracy Estimation and Model Selection. Appears in the International Joint Conference on Articial Intelligence (IJCAI),1995.
[33] P. BRADFORD, J., & E. BRODLEY, C. The Effect of Instance-Space Partition on Significance. Machine Learning, 2001, 269-286.
[34] Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. Item-Based Collaborative Filtering Recommendation Algorithms. WWW '01 Proceedings of the 10th international conference on World Wide Web , 2001, 285-295, Hong Kong: ACM .
[35] Hassan, M., & Hamada, ,. A Neural Networks Approach for Improving the Accuracy of Multi-Criteria Recommender Systems. Appl. Sci, 2017.
[36] تفرشی, ش., & دروگر کلخوران, س. بررسی میزان آشنایی و بهره گیری دانشجویان دانشگاه آزاد اسلامی واحد کرج از کتابخانه های. فصلنامه دانش شناسی، 1388، 33-44.
[37] عباسی, ف., سهرابی, ب., مانیان, ا., & خدیور, آ. ، ارائه مدلی جهت پیش بینی موضوعات مرتبط با هوشمندی کسب و کار. مدیریت اطلاعات.، 1397.
پژوهش های مدیریت منابع سازمانی
دوره 11، شماره 4
اسفند 1400
صفحه 75-92