دوره 22، شماره 1 - ( 3-1404 )
جلد 22 شماره 1 صفحات 52-39 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
moradbeiki P, basiri A. Recognizing request and non-request messages in social networks with combined approaches. JSDP 2025; 22 (1) :39-52
URL: http://jsdp.rcisp.ac.ir/article-1-1425-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1425-fa.html
مرادبیکی پردیس، بصیری علیرضا. تشخیص پیام‌های درخواست و غیر درخواست در شبکه‌های اجتماعی با رویکردهای ترکیبی. پردازش علائم و داده‌ها. 1404; 22 (1) :39-52
استادیار دانشکده برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
چکیده: (183 مشاهده)
امروزه با رشد روزافزون استفاده از شبکه‌های اجتماعی، حجم داده‌های تولیدشده روبه‌افزایش است؛ از طرفی کسب‌وکارهای زیادی در شبکه‌های اجتماعی مختلف فعالیت دارند؛ به همین دلیل تشخیص نیازمندی‌های کاربران برای بازاریابان در شبکه‌های اجتماعی یکی از نیازمندی‌های توسعه کسب‌وکارهای اینترنتی و تجارت الکترونیکی است؛ ازاین‌رو تشخیص خودکار پیام‌های درخواست و به نوعی فیلترینگ آن‌ها در متون فارسی حائز اهمیت است. پژوهش حاضر با هدف بهبود تشخیص پیام‌های درخواست در مجموعه پیام‌های ارسال‌شده در پیامرسان‌ها انجام شده‌است. امروزه شبکه‌های اجتماعی به راحتی در دسترس‌اند؛ ازاین‌رو پیام‌ها در شبکه‌های اجتماعی متفاوت با متون ادبی است. پیام‌ها در شبکه‌های اجتماعی دارای داده‌های اضافی و عامیانه‌اند؛ از طرف دیگر واژه‌ها نیز شامل غلط‌های املایی فراوان‌اند؛ بنابراین مقابله با این پیام‌ها یک چالش محسوب می‌شود. در این پژوهش ابتدا پیش‌پردازش و حذف داده‌های اضافی مورد بررسی قرار گرفته‌است. برای مقابله با دیگر چالش‌های مطرح‌شده روش پیشنهادی در حین حفظ ارزش واژه‌ها، با غلط‌های املایی نیز مقابله کرده‌است. پس از استخراج ویژگی‌های مناسب، یک مدل ترکیبی مبتنی بر شبکه‌های عصبی عمیق برای فرایند تشخیص پیام‌های درخواست و طبقه‌بندی طراحی شد. در مرحله ارزیابی، آزمایش‌های جامعی برای تحلیل عملکرد مدل پیشنهادی پیاده‌سازی شد. مطابق نتایج به‌دست‌آمده precision، recall و f-score روش پیشنهادی، تقریباً برابر 90درصد است و در مقایسه با روش‌های پیشین ارائه‌شده، به طور میانگین 5 درصد بهبود یافت.
واژه‌های کلیدی: تجارت الکترونیکی، تشخیص درخواست، شبکه‌های اجتماعی، پیام‌رسان، روش مبتنی بر یادگیری عمیق
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش متن
دریافت: 1403/1/30 | پذیرش: 1403/9/14 | انتشار: 1404/3/31 | انتشار الکترونیک: 1404/3/31
دریافت: 1403/1/30 | پذیرش: 1403/9/14 | انتشار: 1404/3/31 | انتشار الکترونیک: 1404/3/31
فهرست منابع
1. خبرگزاری جمهوری اسلامی (2021) ، آخرین وضعیت شبکه‌های اجتماعی، https://www.irna.ir/news/
1. https://www.irna.ir/news/ (2021)
2. آ. پیک، م. زارع چاهوکی، م. آقاصرام، «تشخیص پیام‌های درخواست در پیام‌رسان تلگرام مبتنی بر اثربخشی کاهش وضعیت ها در مدل مخفی مارکوف»، دومین کنفرانس بین‌المللی پژوهش‌های کاربردی در علوم برق و کامپیوتر، 1397.
2. A. peyk, M. Zare Chahooki, "Detection of request messages in Telegram messenger based on the effectiveness of reducing situations in the hidden Markov model", Second International Conference on Applied Research in Electrical and Computer Science, 2019.
3. ع. محمدی، م. رضاییان، «تعیین قطبیت نظرات کاربران و تشخیص درخواست ها با کمک تکنیک‌های یادگیری عمیق در تلگرام»، چهارمین کنفرانس ملی تحقیقات کاربردی در مهندسی برق، مکانیک، کامپیوتر و فناوری اطلاعات، 1397.
3. A. Mohammadi, M. Rezaee, "Determining the polarity of users' opinions and recognizing requests with the help of deep learning techniques in Telegram", Fourth National Conference on Applied Research in Electrical Engineering, Mechanics, Computer and Information Technology, 2019.
4. م. دیانتی، م. صدرالدینی، ا. راسخ، ح. تقی‌زاده، «روشی مستقل از زبان جهت ریشه‌یابی کلمات با استفاده از معیار شباهت»، یازدهمین کنفرانس سراسری سیستم های هوشمند، 1391.
4. M. Dianati, M. Sadredini, "A language-independent method for rooting words using similarity criteria", 11th Iranian Conference on Intelligent Systems, 2013.
5. S. Moro, P. Cortez, P. Rita, "Business intelligence in banking: A literature analysis from 2002 to 2013 using text mining and latent Dirichlet allocation", Expert Systems with Applications, vol. 42, no. 3, pp. 1314-24, 2015. [DOI:10.1016/j.eswa.2014.09.024]
6. M. Yang, B. Jiang, Y. Wang, T. Hao, Y. Liu, "News text mining-based business sentiment analysis and its significance in economy", Frontiers in Psychology, vol. 13, pp. 1-7 , 2022. [DOI:10.3389/fpsyg.2022.918447] [PMID] []
7. H. Hassani, C. Beneki, S. Unger, MT. Mazinani, "Text mining in big data analytics", Big Data and Cognitive Computing, vol. 4, no. 1, 2020. [DOI:10.3390/bdcc4010001]
8. A. Gasparetto, M. Marcuzzo, A. Zangari, A. Albarelli, "A survey on text classification algorithms: From text to predictions", Information, vol. 13, no. 2, pp. 83, 2023. [DOI:10.3390/info13020083]
9. F. Greco, A. Polli, "Emotional Text Mining: Customer profiling in brand management", International Journal of Information Management , vol. 51, pp. 101934, 2020. [DOI:10.1016/j.ijinfomgt.2019.04.007]
10. A. Akundi, B. Tseng, J. Wu, E. Smith, "Text mining to understand the influence of social media applications on smartphone supply chain", Procedia Computer Science, vol. 140, pp. 87-94, 2018. [DOI:10.1016/j.procs.2018.10.296]
11. W. He, S. Zha, L. Li, "Social media competitive analysis and text mining: A case study in the pizza industry", International journal of information management, vol. 33, no. 3, pp. 464-72, 2013. [DOI:10.1016/j.ijinfomgt.2013.01.001]
12. W. Souma, I. Vodenska, H. Aoyama, "Enhanced news sentiment analysis using deep learning methods", Journal of Computational Social Science, vol. 2, no. 1, pp. 33-46, 2019. [DOI:10.1007/s42001-019-00035-x]
13. S. Mohan, S. Mullapudi, S. Sammeta, "Stock price prediction using news sentiment analysis", In2019 IEEE fifth international conference on big data computing service and applications (BigDataService), pp. 205-208, 2019. [DOI:10.1109/BigDataService.2019.00035]
14. S. Negash, "Business intelligence", Communications of the association for information systems, vol. 13, no. 15, pp. 177-195, 2004. [DOI:10.17705/1CAIS.01315]
15. H. Chen, RHL. Chiang, VC. Storey, "Business intelligence and analytics: From big data to big impact", MIS quarterly, vol. , no. 1, pp. 1165-1188, 2012. [DOI:10.2307/41703503]
16. J. Park, V. Barash, C. Fink, M. Cha, "Emoticon style: Interpreting differences in emoticons across cultures", In Proceedings of the international AAAI conference on web and social media, vol. 7, no. 1, pp. 466-475, 2013. [DOI:10.1609/icwsm.v7i1.14437]
17. K. Spirovski, E. Stevanoska, A. Kulakov, "Comparison of different model's performances in task of document classification", In Proceedings of the 8th International Conference on Web Intelligence, Mining and Semantics, Novi Sad, Serbia, pp. 1-12, 2018. [DOI:10.1145/3227609.3227668] [PMID]
18. KS. Kyaw, P. Tepsongkroh, C. Thongkamkaew, "Business Intelligent Framework Using Sentiment Analysis for Smart Digital Marketing in the E-Commerce Era", Asia Social, vol. 16, no. 3, pp. e252965-e252965, 2023. [DOI:10.48048/asi.2023.252965]
19. D. Yan, K. Li, S. Gu, L. Yang, "Network-based bag-of-words model for text classification", IEEE Access, vol. 8, pp. 82641-82652, 2020. [DOI:10.1109/ACCESS.2020.2991074]
20. WA. Qader, MM. Ameen, "An overview of bag of words; importance, implementation, applications, and challenges", In2019 international engineering conference (IEC) , pp. 200-204, 2019. [DOI:10.1109/IEC47844.2019.8950616]
21. C. Niu, W. Zhang, S. Byna, Y. Chen, "Kv2vec: A Distributed Representation Method for Key-value Pairs from Metadata Attributes", IEEE High Performance Extreme Computing Conference (HPEC), pp. 1-7, 2022. [DOI:10.1109/HPEC55821.2022.9926389]
22. J. Cai, J. Luo, S. Wang, S. Yang, "Feature selection in machine learning: A new perspective", Neurocomputing, vol. 300, pp. 70-79, 2023. [DOI:10.1016/j.neucom.2017.11.077]
23. DH. Hubel, TN. Wiesel, "Receptive fields, binocular interaction and functional architecture in the cat's visual cortex", The Journal of physiology, vol. 160, no. 1, pp. 106-154, 1962. [DOI:10.1113/jphysiol.1962.sp006837] [PMID] []
24. A. Joulin, E. Grave, P. Bojanowski, M. Douze, "Fasttext. zip: Compressing text classification models", arXiv preprint, 2016.
25. P. Bojanowski, E. Grave, A. Joulin, "Enriching word vectors with subword information", Transactions of the association for computational linguistics, vol. 5, pp. 135-146, 2017. [DOI:10.1162/tacl_a_00051]
26. JL. Elman, "Finding structure in time", Cognitive Science, vol. 14, no. 2, pp. 179-211, 1990. [DOI:10.1016/0364-0213(90)90002-E]
27. S. Hochreiter, J. Schmidhuber, "Long short-term memory", Neural computation, vol. 9, no. 8, pp. 1735-1780, 1997. [DOI:10.1162/neco.1997.9.8.1735] [PMID]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
