KaydedilenlerDerginizi ekleyin

Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2016 / Cilt: 4 - Sayı: 7

Distributed Recommender Systems with Sentiment Analysis

Büyük Veride Tavsiye Sistemlerini Duygu Analizi ile Desteklemek

Sevinç İlhan OMURCA
Yeliz YENGİ
Sayfa
51–57
Yayın Tarihi
2022-10-11
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmada tavsiye sistemlerinin dağıtık veri üzerinden değerlendirilmesinde, doğal dil işleme adımlarının sisteme eklenmesi ile sağlanan iyileştirme raporlanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmanın amacı kullanıcı puanlama temelli tavsiye sistemlerinin, kullanıcı puanları yerine duygu analizinden elde edilen değerler ile büyük veri üzerinden gerçeklenmesidir.
📊
Temel Bulgular & Veri:Bu veri üzerinden makine öğrenmesi algoritmalarının çalıştırılması ve sonuçların değerlendirilmesine büyük ihtiyaç duyulmaktadır.
💡
Sonuç & Katkı:Bu çalışmada tavsiye sistemlerinin dağıtık veri üzerinden değerlendirilmesinde, doğal dil işleme adımlarının sisteme eklenmesi ile sağlanan iyileştirme raporlanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmanın amacı kullanıcı puanlama temelli tavsiye sistemlerinin, kullanıcı puanları yerine duygu analizinden elde edilen değerler ile büyük veri üzerinden gerçeklenmesidir. Internet üzerinden e-ticaret sistemlerinin yaygınlaşması ile çok fazla kullanıcı verisi oluşması, alışılmış depolama sistemlerinin artık yeterli gelmemesi ve verinin bölünmesi durumunu oluşturmuştur. Ancak dağıtık dosya sistemleri teknolojileri ile veri bütünlüğünü sağlamak mümkündür. Bu veri üzerinden makine öğrenmesi algoritmalarının çalıştırılması ve sonuçların değerlendirilmesine büyük ihtiyaç duyulmaktadır. Bu çalışmada tavsiye sistemlerinin dağıtık veri üzerinden değerlendirilmesinde, doğal dil işleme adımlarının sisteme eklenmesi ile sağlanan iyileştirme raporlanmıştır.

Abstract

The aim of this study is to realize a recommender system (RS) for big data application by using sentiment analysis instead of user ratings. By becoming widespread of e-commerce systems through internet, too much user data has became available. So traditional storage systems remained incapable and the stored data is divided. Nowadays we collect lots of reviews from users and feedback on e-commerce web sites therefore the importance of increasing big data analysis technology, which increases the need of big calculation. In this study, we report the performance improvement by adding the natural language processing steps to the classical recommender system.

🔖

Bu Makaleye Atıf Yap

OMURCA, S. İ., YENGİ, Y. (2022). Distributed Recommender Systems with Sentiment Analysis. Avrupa Bilim ve Teknoloji Dergisi, Cilt: 4 - Sayı: 7, 51–57. https://ajindex.com/articles/458379

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Bell, R. M., & Koren, Y. (2007, October). Scalable collaborative filtering with jointly derived neighborhood interpolation weights. In Data Mining, 2007. ICDM 2007. Seventh IEEE International Conference on (pp. 43-52).
  2. IEEE, ISO 690. Zhou, B., Jia, Y., Liu, C., & Zhang, X. (2010, October). A distributed text mining system for online web textual data analysis. In Cyber-Enabled Distributed Computing and Knowledge Discovery (CyberC), 2010 International Conference on (pp. 1-4).
  3. IEEE. McAuley, J. J., & Leskovec, J. (2013, May). From amateurs to connoisseurs: modeling the evolution of user expertise through online reviews. In Proceedings of the 22nd international conference on World Wide Web (pp. 897-908). International World Wide Web Conferences Steering Committee. S Meng, S., Dou, W., Zhang, X., & Chen, J. (2014). Kasr: A keyword-aware service recommendation method on mapreduce for big data applications. Parallel and Distributed Systems, IEEE Transactions on, 25(12), 3221-3231.
  4. Yang, X., Guo, Y., & Liu, Y. (2013). Bayesian-inference-based recommendation in online social networks. Parallel and Distributed Systems, IEEE Transactions on, 24(4), 642-651.
  5. Kang, G., Liu, J., Tang, M., Liu, X., Cao, B., & Xu, Y. (2012, June). AWSR: Active web service recommendation based on usage history. In Web Services (ICWS), 2012 IEEE 19th International Conference on (pp. 186-193).
  6. IEEE. Chen, Y. Y., Cheng, A. J., & Hsu, W. H. (2013). Travel recommendation by mining people attributes and travel group types from community-contributed photos. Multimedia, IEEE Transactions on, 15(6), 1283-1295.
  7. Sanchez, F., Alduán, M., Alvarez, F., Menéndez, J. M., & Baez, O. (2012). Recommender system for sport videos based on user Transactions on, 14(6), 1546-1557. consumption. Multimedia, IEEE Zheng, Z., Wu, X., Zhang, Y., Lyu, M. R., & Wang, J. (2013). QoS ranking prediction for cloud services. Parallel and Distributed Systems, IEEE Transactions on, 24(6), 1213-1222.
  8. White, T. (2012). Hadoop: The definitive guide. " O'Reilly Media, Inc.". Anil, R., Dunning, T., & Friedman, E. (2011). Mahout in action (pp. 145-183). Shelter Island: Manning. Manning, C. D., Surdeanu, M., Bauer, J., Finkel, J. R., Bethard, S., & McClosky, D. (2014, June). The Stanford CoreNLP Natural Language Processing Toolkit. In ACL (System Demonstrations) (pp. 55-60).
  9. Wilson, T.; Wiebe, J.; and Hoffmann, P., (2009). Recognizing contextual polarity: An exploration of features for phrase-level sentiment analysis. Computational Li