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:
PerioClust: A Simple Hierarchical Agglomerative Clustering Approach Including Constraints Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Detection of Topics and Time Series Variation in Consumer Web Communication Data

verfasst von : Atsuho Nakayama

Erschienen in: Data Analysis and Rationality in a Complex World

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Consumers’ personal interests are influenced by new product strategies, such as marketing communication schemes, and these can change over time. Thus, it is important to consider temporal variation in trending consumer interests. We aimed to detect temporal variations in consumer web communication data using weight coefficients between entries and topics obtained from nonnegative matrix factorization. The weight coefficient, which indicates the strength between an entry and a topic, was modeled with a Bayesian network to capture changes in the topic over time. Bayesian networks, commonly used in a wide range of studies such as anomaly detection, reasoning, and time series prediction, build models from data using Bayesian inference for probability computations. The causations can be modeled by representing conditional dependence based on the edges in a directed graph of the Bayesian network.

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 Benchmarking in Cluster Analysis: A Study on Spectral Clustering, DBSCAN, and K-Means
Nächstes Kapitel Classification Through Graphical Models: Evidences From the EU-SILC Data
Literatur
Blanco, E., Castell, N., Moldovan, D.: Causal relation extraction. In: Calzolari, N., Choukri, K., Maegaard, B., Mariani, J., Odijk, J., Piperidis, S., Tapias D. (eds.) Proceedings of the Sixth International Conference on Language Resources and Evaluation (LREC’08), pp. 28–30. European Language Resources Association (ELRA), Marrakech, Morocco (2008)
Carroll, J.D.: Individual differences and multidimensional scaling. In: Shepard, R.N., Romney, A.K., Nerlove S.B. (eds.) Multidimensional Scaling, vol. I Theory, pp. 105–155. Seminar Press, New York (1972)
Deerwester, S., Dumais, S., Furnas, G.W., Landauer, T.K., Harshman, R.: Indexing by latent semantic analysis. J. Am. Soc. Inf. Sci. Tec. 41(6), 391–407 (1990)
Ding, C., Li, T., Peng, W.: Nonnegative matrix factorization and probabilistic latent semantic indexing: Equivalence, chi-square statistic, and a hybrid method. In: Proceedings of the 21st National Conference on Artificial Intelligence and the 18th Innovative Applications of Artificial Intelligence Conference (AAAI’06), pp. 342–347 (2006)
Hearst, M.A.: Untangling text data mining. In: Proceedings of the 37th Annual Meeting of the Association for Computational Linguistics, pp. 3–10. Association for Computational Linguistics, College Park, Maryland (1999)
Hofmann, T.: Probabilistic latent semantic analysis. In: Proceedings of the 15th Conference on Uncertainty in Artificial Intelligence, pp. 289–296 (1999)
Kudo T., Yamamoto, K., Matsumoto, Y: Applying conditional random fields to Japanese morphological analysis. In: Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing (EMNLP-2004), pp. 230–237 (2004)
Lee, D.D., Seung, H.S.: Algorithms for non-negative matrix factorization. In: Leen, T., Dietterich, T., Tresp, V. (eds.) Advances in Neural Information Processing Systems, vol. 13, pp. 556–562. MIT Press (2000)
Nakayama, A.: The classification and visualization of Twitter trending topics considering time series variation. In: Palumbo F., Montanari A., Vichi M. (eds.) Data Science. Studies in Classification, Data Analysis, and Knowledge Organization, pp. 161–173. Springer, Cham (2017)
Neapolitan, R.E.: Learning Bayesian Networks. Prentice-Hall Inc, Upper Saddle River, NJ, USA (2003)
Sanchez-Graillet, O, Poesio, M.: Acquiring Bayesian networks from text. In: Proceedings of the Fourth International Conference on Language Resources and Evaluation LREC’04. European Language Resources Association (ELRA), Lisbon, Portugal (2004)
Sawaki, M., Hagita, N.: Recognition of degraded machine-printed characters using a complementary similarity measure and error-correction learning. IEICE T Inf. Syst. E79-D(5), 491–497 (1996)
Trovati, M., Hayes, J., Palmieri, F., Bessis, N.: Automated extraction of fragments of Bayesian networks from textual sources. Appl. Soft Comput. 60, 508–519 (2017)
Metadaten
Titel
Detection of Topics and Time Series Variation in Consumer Web Communication Data
verfasst von
Atsuho Nakayama
Copyright-Jahr
2021
Buch
Data Analysis and Rationality in a Complex World

Print ISBN: 978-3-030-60103-4

Electronic ISBN: 978-3-030-60104-1

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-60104-1_21

Premium Partner

    Bildnachweise