Social opinion mining for supporting buyers’ complex decision making: exploratory user study and algorithm comparison

Chen, Li; Qi, Luole

doi:10.1007/s13278-011-0023-y

Cited by 25 publications

(7 citation statements)

References 31 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Li Chen et. al [9] developed a learning model using an algorithmic approach to analyze the implications of buyers decision at different stages and 343 visualized the analysis report both quantitatively and qualitatively. Maciej Dabrowski et.…”

Section: IImentioning

confidence: 99%

An ontology based sentiment analysis for mobile products using tweets

Nithish¹,

Sabarish²,

Kishen³

et al. 2013

2013 Fifth International Conference on Advanced Computing (ICoAC)

View full text Add to dashboard Cite

Large amount of data is ubiquitous in the internet giving the challenges to identifY the relevant information from the documents. Marketing or sales people do analysis on their product's reach using surveys, feedback and queries etc. using online forms. All these unstructured text and voluminous data have to be analyzed manually or semi-automatically to understand the context and make decisions on the business. Similarly to buy any products online, people usually search and get opinion on the products from friends before taking their decisions. Whenever a new product is launched in the market, the social networking sites are deluged with reviews and comments about the product. We can exploit this to the advantage of determining the reach of the product among the common mass by applying sentiment analysis over these reviews. The use of this is twofold-(i) The seller gets first-hand information about the product's reach (ii) Buyer can buy the right product for his need. In this paper, we propose a model to store the product information as ontologies, thereby bringing strong relationships among the data stored. We add more semantics by embedding the opinions, determined using sentiment analysis, within the linked data thereby accounting for better reasoning and efficient querying. We propose a method to perform opinion mining on products by extracting the comments on product's features from the reviews posted in a micro-blogging site such as twitter. The sentiment analysis is done on these reviews to rate the product features. These opinions are stored along with the product-feature descriptions in the domain ontology in OWL format. Once the opinions are embedded in the ontology, the model can serve for better reasoning and answering intelligent queries. This information can also be recommended to the people who are in need when they search for similar products which help them to make necessary decisions based on the others' opinions.

show abstract

Section: IImentioning

confidence: 99%

An ontology based sentiment analysis for mobile products using tweets

Nithish¹,

Sabarish²,

Kishen³

et al. 2013

2013 Fifth International Conference on Advanced Computing (ICoAC)

View full text Add to dashboard Cite

show abstract

“…Les modèles prédictifs markoviens, fonctionnant sur les probabilités de transition sont généralement plus efficaces pour l'analyse dynamique des flux que pour anticiper l'évolution des structures graphiques [Pearson 2003]. Les travaux récemment présentés dans [Chen 2011], montrent toutefois une utilisation possible du contenu endogène, pour qualifier des résultats issus de modèles cachés de Markov lexicaux (L-HMM) et de chainesà conditions de champs aléatoires (CRF). Goodreau propose une alternative applicable aux réseaux sociaux d'amitié, en associant de multiples distributions (degrés, voisinage, propriétés géodésiques, triangles) pour déduire des règles explicites d'identification de structuresà partir de statistiques topologiques [Goodreau 2007].…”

Section: Modèles Dynamiques D'analyse Structurelleunclassified

“…Les méthodes d'apprentissage non supervisé du langage s'appuient sur des lexiques sémantiques (e.g., wikipedia, wordnet, dbpedia) et/ou des algorithmes de traitement automatique du langage -e.g., loi de Zipf, Conditional Random Fields -dédiésà l'apprentissage de la morphologie des langues [Delalonde 2007, Lavallée 2010, Chen 2011]. L'indexation sémantique du contenu endogène nécessite la construction automatique d'un thésaurus, mais ces méthodes complexes sont difficilement compatibles avec les contraintes du projet Socioprise, dans lequel le traitement automatique du langage n'est pas une priorité.…”

Section: Construction De Thésaurus Et Pondération Sémantiqueunclassified

Réseaux de compétences. De l'analyse des réseaux sociaux à l'analyse prédictive des connaissances

Thovex

2012

isi

View full text Add to dashboard Cite

Merci au Professeurémérite Henri Briand qui, le premier, m'a montré une voie que j'avais souvent longée avant de l'emprunter, maintenant devenueévidentè a mon sens. Merci pour son soutien et son engagement, en faveur d'une première inscriptionà l'École Doctorale Sciences et Techniques de l'Informatique et Mathématiques (ED-STIM, 503) dans le cadre de la formation professionnelle continue. Mercià Francky Trichet pour ses compétences pédagogiques, sa lucidité, sa franchise et son humanisme en permanence teinté de bonne humeur. Sa capacité de travail, d'imagination et de réflexion, son ouverture d'esprit, ont permis de courir le risque d'un sujet multidisciplinaire atypique, aussi improbablè a l'origine, que créatif et satisfaisantà l'arrivée. Mercià sa capacité de discernement. Mercià Chantal Reynaud età Bénédicte Le Grand, ayant accepté le rôle de rapporteur, ainsi qu'à Elisabeth Metais età Genoveva Vargas-Solar, ayant accepté de participer au Jury de thèse. Merciégalementà Fabien Gandon, pour le suivi attentif et les conseils prodigués au cours des travaux de thèse. Mercià Pascale Kuntz-Cosperec,à Philippe Leray, aux chercheuses et chercheurs du Laboratoire d'Informatique de Nantes Atlantique et d'ailleurs rencontrés au détour de couloirs et de conférences, pour leséchanges dynamiques et constructifs dont ils m'ont gratifié. Mercià Gilles Guerrin,à Alex Landreau,à Arnaud Claverie, Jérôme Rocu, Laurent Velours, Christine Midoux et aux membres de l'entreprise OpenPortal Software qui ont fourni le contexte expérimental, le savoir-faire et l'expertise nécessairesà l'application de nos travaux en contexte réel. Mercià Yide Wang,à José Martinez et au personnel de l'ED-STIM (ED 503), pour leur accueil et leur attention. Merciégalementà Bernard Manguy, aux responsables de l'Université de Nantes ainsi qu'au corps enseignant, pour leur effort de défense d'un systèmeéducatif de qualité, fondement d'un progrèś economique et social accessible et construit par tous. Mercià Sylvie Leroux pour son soutien administratif sans faille et sa disponibilité constante. Merci aux lecteurs de ces pages,à mes proches età toutes celles et ceux qui me soutiennent. Merci enfinà René Descartes (1596-1650), par qui j'ai connu le doute cartésien et ses vertus,à Friedrich Wilhelm Nietzsche (1844-1900) età Michel Onfray, philosophes militant pour le gai savoir et la connaissance scientifique « ouverte ». Ni immoraliste, ni hédoniste, pas même libre-penseur ou humaniste, il me sembleêtre seulement un peu plus humain, grâceà la philosophie... iiÀ bien y réfléchir, plutôt que d'innombrables congratulations, peut-être que d'emporter avec vous le souvenir d'une pensée vous ravirait plus longuement ? Les paroles s'envolent, lesécrits restent, les actes font l'histoire... et une fleur de lumière ensoleille le tout. J'y pense, j'y pense et puis ne l'oublie plus, c'est bien elle qu'il faut remercier ! Figure 1-Rose de connaissances. v A Annexes 111 A.1 Extrait annoté de documentation technique sur la classification SQL

show abstract

“…With increasing expansion of the Internet, communities, social networks, the rise in their applications and number of users of social networks, the volume of data generated has increased (Chen and Qi 2011;Rahmani et al 2014). Therefore, it makes relevant information extraction more challenging (Ali et al 2015).…”

Section: Introductionmentioning

confidence: 99%

OMLML: a helpful opinion mining method based on lexicon and machine learning in social networks

Keyvanpour

Zandian

Heidarypanah

2020

Soc. Netw. Anal. Min.

View full text Add to dashboard Cite

Identification of users' polarities and mining their opinions in various areas, especially social networks, has become one of the popular and useful research fields. Although opinion mining and analyzing methods based on machine learning or lexicon have been useful, high training cost based on time or memory used, lack of enriched and complete lexicons, high dimensions of feature space and ambiguity in positive or negative detection of some sentences in these methods are examples of their downsides. To cope with these problems, in this paper a helpful method based on lexicon and machine learning called OMLML is proposed by using social networks. The main superiority of the proposed method compared to other methods is addressing these challenges simultaneously. According to the proposed method, the polarity of the opinions toward a target word is first determined using a method based on lexicon and textual features of words and sentences. Next, having mapped feature space into a 3-D vector, opinions are analyzed and classified based on a new machine learning method. The results of quantitative and qualitative experiments show that mapping data into a new space decreases training cost and that the performance of the proposed method than is acceptable particularly from the perspective of accuracy, F-measure and runtime.

show abstract

Social opinion mining for supporting buyers’ complex decision making: exploratory user study and algorithm comparison

Cited by 25 publications

References 31 publications

An ontology based sentiment analysis for mobile products using tweets

An ontology based sentiment analysis for mobile products using tweets

Réseaux de compétences. De l'analyse des réseaux sociaux à l'analyse prédictive des connaissances

OMLML: a helpful opinion mining method based on lexicon and machine learning in social networks

Contact Info

Product

Resources

About