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

Büyük Veride Tavsiye Sistemlerini Duygu Analizi ile Desteklemek

Distributed Recommender Systems with Sentiment Analysis

Sayfa
51–57
Yayın Tarihi
2016-06-03
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:tavsiye sistemleri · büyük veri · dağıtık dosya sistemleri

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

In this research rating based recommender system (RS) on sentiment analysis (SA) by using online reviews data by store big data technology. Online reviews are important to understand users decide to buy a product, see a movie or buy a food user feedback. However nowadays collect lots of reviews from user feedback on e-commerce web sites therefore the importance of increasing big data technology, at the same time increasing needs of big calculation. We report on our classification effort on the sentiment information of reviews, structure of distributed file system and frameworks. Our work focuses on information from reviews to improving recommendation accuracy with the big data era.

🔖

Bu Makaleye Atıf Yap

YENGİ, Y., OMURCA, S. İ. (2016). Büyük Veride Tavsiye Sistemlerini Duygu Analizi ile Desteklemek. Avrupa Bilim ve Teknoloji Dergisi, Cilt: 4 - Sayı: 7, 51–57. https://ajindex.com/articles/471927

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  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. 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 audiovisual consumption. Multimedia, IEEE Transactions on, 14(6), 1546-1557.
  8. 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.
  9. 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. Wilson, T.; Wiebe, J.; and Hoffmann, P., (2009). Recognizing contextual polarity: An exploration of features for phrase-level sentiment analysis. Computational Linguistics 35(3):399–433.
  10. 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).
  11. 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).
  12. Taboada, M., Brooke, J., Tofiloski, M., Voll, K.,