ارائه ي مدلي براي عقيده كاوي در سطح ويژگي براي نظرات كاربران هتل ها

Presenting the model for opinion mining at the document feature level for hotel users' reviews

امروزه بررسي نظرات و عقايد كاربران در بستر اينترنت بخش مهمي از فرآيند تصميم گيري مردم در رابطه با انتخاب يك محصول يا استفاده از خدمات ارايه شده را شامل مي شود. با وجود بستر اينترنت و دسترسي ساده به وبلاگ هاي مربوط به نظرات در زمينه صنعت گردشگري و هتلداري، منابع غني و عظيمي از عقايد بصورت متن موجود مي باشد كه افراد مي‌توانند از روش هاي متن كاوي براي كشف عقايد ديگران استفاده كنند. با توجه به اهميت نظر و عقايد كاربران در صنايع و بويژه صنعت گردشگري و هتلداري، مباحث عقيده‌كاوي و تحليل احساسات و كاوش متون نوشته شده توسط كاربران مورد توجه متصديان امور قرار گرفته است . در اين مقاله يك روش تركيبي و جديد بر اساس يك رويكرد رايج در تحليل احساسات، استفاده از واژگان براي توليد ويژگي هايي براي طبقه بندي بار احساسي نظرات ارائه شده است. بدين صورت كه دو روش ساخت فهرست واژگان يكي با استفاده از روش هاي آماري و ديگري با استفاده از الگوريتم ژنتيكي ارائه شده است. واژگان فوق الذكر با فرهنگ واژگان احساس عمومي و استاندارد ليو بينگ آميخته مي¬شوند تا دقت طبقه بندي افزايش يابد.

Nowadays, online review of user’s sentiments and opinions on the Internet is an important part of the process of people deciding whether to choose a product or use the services provided. Despite the Internet platform and easy access to blogs related to opinions in the field of tourism and hotel industry, there are huge and rich sources of ideas in the form of text that people can use text mining methods to discover the opinions of. Due to the importance of user's sentiments and opinions in the industry, especially in the tourism and hotel industry, the topics of opinion research and analysis of emotions and exploration of texts written by users have been considered by those in charge. In this research, a new and combined method based on a common approach in sentiment analysis, the use of words to produce characteristics for classifying reviews is presented. Thus, the development of two methods of vocabulary construction, one using statistical methods and the other using genetic algorithm is presented. The above words are combined with the Vocabulary of public feeling and standard Liu Bing classification of prominent words to increase the accuracy of classification