Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Interactive Visualization of Big Data Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

A New Big Data Framework for Customer Opinions Polarity Extraction

verfasst von : Ammar Mars, Mohamed Salah Gouider, Lamjed Ben Saïd

Erschienen in: Beyond Databases, Architectures and Structures. Advanced Technologies for Data Mining and Knowledge Discovery

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Recently, we are talking about opinion mining: It refers to extract subjective information from text data using the natural language processing, text analysis and computational linguistics. Micro-blogging is one of the most popular Web 2.0 applications, such as Twitter which is evolved into a practical means for sharing opinions around different topics. It becomes a rich data sources for opinion mining and sentiment analysis.
In this work, we interest by to study users opinions about an object in social networks, for example studying the opinion of users about “the Samsung brand” or “the nokia brand”, using text mining and NLP (Natural language processing) technologies. We propose a new ontological approach able to determinate the polarity of user post. This approach classify the users posts to negative, positive or neutral opinions. To validate the effectiveness of our approach, we used a dataset published by Bing Liu’s group in our approach experimentation.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Features of SQL Databases for Multi-tenant Applications Based on Oracle DBMS
Nächstes Kapitel Evidence Based Conflict Resolution for Independent Sources and Independent Attributes
Fußnoten
Literatur
1.
Agarwal, A., Xie, B., Vovsha, I., Rambow, O., Passonneau, R.: Sentiment analysis of twitter data. In: Proceedings of the Workshop on Languages in Social Media, pp. 30–38. Association for Computational Linguistics (2011)
2.
3.
Brinkmann, B.H., Bower, M.R., Stengel, K.A., Worrell, G.A., Stead, M.: Large-scale electrophysiology: acquisition, compression, encryption, and storage of big data. J. Neurosci. Meth. 180(1), 185–192 (2009)CrossRef
4.
Cardie, C., Wiebe, J., Wilson, T., Litman, D.J.: Combining low-level and summary representations of opinions for multi-perspective question answering. In: New Directions in Question Answering, pp. 20–27 (2003)
5.
Chalmers, S., Bothorel, C.: Big data - state of the art. Research gate (2012)
6.
Chen, M., Mao, S., Liu, Y.: Big data: a survey. Mobile Netw. Appl. 19(2), 171–209 (2014). Springer Science + Business MediaMathSciNetCrossRef
7.
Chen, M., Mao, S., Zhang, Y., Leung, V.C.: Big data storage. In: Big Data, pp. 33–49. Springer, Heidelberg (2014)
8.
Cohen, J., Dolan, B., Dunlap, M., Hellerstein, J.M., Welton, C.: Mad skills: new analysis practices for big data. Proc. VLDB Endow. 2(2), 1481–1492 (2009)CrossRef
9.
Dave, K., Lawrence, S., Pennock, D.M.: Mining the peanut gallery: opinion extraction and semantic classification of product reviews. In: Proceedings of the 12th international conference on World Wide Web, pp. 519–528. ACM (2003)
10.
Gantz, J., Reinsel, D.: Extracting value from chaos. IDC iview 1142, 1–12 (2011)
11.
Halevi, G., Moed, H.F.: Special issue on big data. Research Trends (2012)
12.
Hu, M., Liu, B.: Mining opinion features in customer reviews. AAAI 4, 755–760 (2004)
13.
Joshi, M., Penstein-Rosé, C.: Generalizing dependency features for opinion mining. In: Proceedings of the ACL-IJCNLP 2009 Conference Short Papers, pp. 313–316. Association for Computational Linguistics (2009)
14.
Kim, S.M., Hovy, E.: Determining the sentiment of opinions. In: Proceedings of the 20th International Conference on Computational Linguistics, pp. 1367. Association for Computational Linguistics (2004)
15.
Kontopoulos, E., Berberidis, C., Dergiades, T., Bassiliades, N.: Ontology-based sentiment analysis of twitter posts. Expert Syst. Appl. 40(10), 4065–4074 (2013)CrossRef
16.
Ku, L.W., Lee, L.Y., Wu, T.H., Chen, H.H.: Major topic detection and its application to opinion summarization. In: Proceedings of the 28th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 627–628. ACM (2005)
17.
Ku, L.W., Liang, Y.T., Chen, H.H.: Opinion extraction, summarization and tracking in news and blog corpora. In: AAAI Spring Symposium: Computational Approaches to Analyzing Weblogs, pp. 100–107 (2006)
18.
Liu, B., Hu, M., Cheng, J.: Opinion observer: analyzing and comparing opinions on the web. In: Proceedings of the 14th International Conference on World Wide Web, pp. 342–351. ACM (2005)
19.
Marx, V.: Biology: the big challenges of big data. Nature 498(7453), 255–260 (2013)CrossRef
20.
Popescu, A.M., Etzioni, O.: Extracting product features and opinions from reviews. In: Kao, A., Poteet, S.R. (eds.) Natural Language Processing and Text Mining, pp. 9–28. Springer, London (2007)CrossRef
21.
Rabl, T., Jacobsen, H.-A.: Big data generation. In: Rabl, T., Poess, M., Baru, C., Jacobsen, H.-A. (eds.) WBDB 2012. LNCS, vol. 8163, pp. 20–27. Springer, Heidelberg (2014)CrossRef
22.
Tanner Jr., J.F.: Big data acquisition. In: Analytics and Dynamic Customer Strategy: Big Profits from Big Data, pp. 85–101. Wiley, Hoboken (2014)
23.
Fan, A.B.W.: Mining big data: current status, and forecast to thefuture. ACM SIGKDD Explor. Newsl. Arch. 14(2), 1–5 (2012)CrossRef
24.
Wu, X., Zhu, X., Wu, G.Q., Ding, W.: Data mining with big data. IEEE Trans. Knowl. Data Eng. 26(1), 97–107 (2014)CrossRef
25.
Zhang, L., Stoffel, A., Behrisch, M., Keim, D.: Visual analytics for the big data era comparative review of state-of-the-art commercial systems. In: VAST 2012 Proceedings of the 2012 IEEE Conference on Visual Analytics Science and Technology (VAST), pp. 173–182 (2012)
Metadaten
Titel
A New Big Data Framework for Customer Opinions Polarity Extraction
verfasst von
Ammar Mars
Mohamed Salah Gouider
Lamjed Ben Saïd
Copyright-Jahr
2016
Buch
Beyond Databases, Architectures and Structures. Advanced Technologies for Data Mining and Knowledge Discovery

Print ISBN: 978-3-319-34098-2

Electronic ISBN: 978-3-319-34099-9

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-34099-9_40

Premium Partner

    Bildnachweise