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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Energy Efficient Clustering in Wireless Sensor Networks by Opposition-Based Initialization Bat Algorithm Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

Detection of Early Depression Signals Using Social Media Sentiment Analysis on Big Data

verfasst von : Shruti S. Nair, Amritha Ashok, R. Divya Pai, A. G. Hari Narayanan

Erschienen in: Computer Networks and Inventive Communication Technologies

Verlag: Springer Nature Singapore

Einloggen

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

search-config
loading …

Abstract

Social media have become the new ‘reality’ for people as years go by and they have started linking their lives with these electronic devices. As a result, the increased chances of expressing themselves through media like Twitter, Instagram, Facebook, etc., have contributed to the study of depression analysis. The proposed paper predicts early signs of depression using supervised machine learning based on Naive Bayes, Decision tree, SVM, k-nearest neighbors on big data to find the accuracy on prediction.

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 IoT-Based Autonomous Energy-Efficient WSN Platform for Home/Office Automation Using Raspberry Pi
Nächstes Kapitel Raspberry Pi-Based Heart Attack and Alcohol Alert System Over Internet of Things for Secure Transportation
Literatur
1.
Gaikwad, A., Mokhade, A.: Twitter sentiment analysis using machine learning and ontology. Int. J. Innov. Res. Sci. Eng. Technol. 6(1), 173–180 (2017). (International Conference on Recent Trends in Engineering and Science (ICRTES))
2.
Kouloumpis, E., Wilson, T., Moore, J.: Twitter sentiment analysis: the good, the bad and the OMG! In: Fifth International AAAI Conference on Weblogs and Social Media (ICWSM) (2011)
3.
Vasuki, M., Arthi, J., Kayalvizhi, K.: Decision making using sentiment analysis from twitter. Int. J. Innov. Res. Comput. Commun. Eng. (IJIRCCE) 2(12), 7171–7177 (2015)
4.
Spencer, J., Uchyigit, G.: Sentimentor: sentiment analysis of twitter data. In: 1st International Workshop on Sentiment Discovery from Affective Data (SDAD) (2012)
5.
Dey, L., Chakraborty, S., Bose, B., Biswas, A.: Sentiment analysis of review datasets using Naïve Bayes and K-NN classifier. Int. J. Inf. Eng. Electron. Bus. (IJIEEB) 8(4), 54–62 (2016)
6.
Kaviani, P., Dhotre, S.: Short survey on Naive Bayes algorithm. Int. J. Adv. Eng. Res. Dev. (IJAERD) 4(11), 607–611 (2017)
7.
Hou, Y.: Decision tree algorithm for big data analysis. In: Proceedings of the 2018 International Conference on Transportation & Logistics, Information & Communication, Smart City (TLICSC), vol. 161, pp. 1951–6851 (2018)
8.
Selamat, A., Zainuddin, N.: Sentiment analysis using support vector machine. In: 2014 International Conference on Computer, Communications, and Control Technology (I4CT), pp. 333–337 (2014)
9.
Hota, S., Pathak, S.: KNN classifier based approach for multi-class sentiment analysis of twitter data. Int. J. Eng. Technol. (IJET) 7(3), 1372–1375 (2018)
10.
Tyagi, A., Sharma, N.: Sentiments analysis of twitter data using K-nearest neighbour classifier. Int. J. Eng. Sci. Comput. (IJESC) 8(4) (2018)
11.
Redhu, S., Srivastava, S., Bansal, B., Gupta, G.: Sentiment analysis using text mining: a review. Int. J. Data Sci. Technol. (IJDST) 4(2), 49–53 (2018)
12.
Vashishtha, S., Susan, S.: Fuzzy rule based unsupervised sentiment analysis from social media posts. Expert Syst. Appl. 138(112834), 0957–4174 (2019)
13.
Cavazos-Rehg, P.A., Krauss, M.J., Sowles, S., Connolly, S., Rosas, C., Bharadwaj, M., Bierut, L.J.: A content analysis of depression-related tweets. Comput. Hum. Behav. 54, 351–357 (2016)CrossRef
14.
Shen, G., Jia, J., Nie, L., Feng, F., Zhang, C., Hu, T., Chua, T.-S., Zhu, W.: Depression detection via harvesting social media: a multimodal dictionary learning solution. In: Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence (IJCAI), pp. 3838–3844 (2017)
15.
Orabi, A.H., Buddhitha, P., Orabi, M.H., Inkpen, D.: Deep learning for depression detection of twitter users. In: Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology, pp. 88–97 (2018)
16.
Balahur, A.: Sentiment analysis in social media texts. Assoc. Comput. Linguist. (ACL) 120–128 (2013)
17.
Aman, S., Szpakowicz, S.: Identifying expressions of emotion in text. In: Published by Text, Speech and Dialogue, 10th International Conference, TSD, pp. 196–205 (2007)
18.
Haoxiang, W.: Emotional analysis of bogus statistics in social media. J. Ubiquit. Comput. Commun. Technol. (UCCT) 2(03), 178–186 (2020)
19.
Mitra, A.: Sentiment analysis using machine learning approaches (Lexicon based on movie review dataset). J. Ubiquit. Comput. Commun. Technol. (UCCT) 2(03), 145–152 (2020)
20.
Smys, S., Chen, J.I.Z., Shakya, S.: Survey on neural network architectures with deep learning. J. Soft Comput. Paradigm (JSCP) 2(03), 186–194 (2020)
Metadaten
Titel
Detection of Early Depression Signals Using Social Media Sentiment Analysis on Big Data
verfasst von
Shruti S. Nair
Amritha Ashok
R. Divya Pai
A. G. Hari Narayanan
Copyright-Jahr
2022
Verlag
Springer Nature Singapore
Buch
Computer Networks and Inventive Communication Technologies

Print ISBN: 978-981-16-3727-8

Electronic ISBN: 978-981-16-3728-5

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-981-16-3728-5_31

Neuer Inhalt

    Bildnachweise