| dc.contributor.author |
Botchway, Raphael Kwaku
|
|
| dc.date.accessioned |
2023-10-10T07:28:12Z |
|
| dc.date.available |
2023-10-10T07:28:12Z |
|
| dc.date.issued |
2016-09-14 |
|
| dc.identifier |
Elektronický archiv Knihovny UTB |
|
| dc.identifier.isbn |
978-80-7678-193-1 |
cs |
| dc.identifier.uri |
http://hdl.handle.net/10563/52452
|
|
| dc.description.abstract |
Pochopení významu sociálních médií v poslední době přitahuje akademickou pozornost. Jak kdysi řekl významný učenec, sociální média již nejsou pomíjivým pocitem nebo módou. Názory zákazníků vyjádřené na sociálních sítích mohou předávat důležité zprávy, které mohou podniky využít k budování pevných vztahů se zákazníky. S rostoucím využíváním sociálních médií mezi běžnou populací roste i jejich využití v obchodním světě, protože stále více firem využívá sociální média jako efektivní způsob, jak se spojit s mnoha klienty. Navzdory rychlému přechodu od tradičních k sociálním médiím se firmy v této éře takzvaných velkých dat stále snaží plně porozumět potřebám a obavám svých zákazníků. Navíc schopnost rychle porozumět spotřebitelské komunikaci, aby management mohl reagovat včas a efektivně, zůstává klíčovou výzvou. Dále, velké množství nestrukturovaných dat a nedostatek praktických nástrojů pro analýzu nestrukturovaných dat tuto analýzu komplikuje. Tato disertační práce představuje stručný přehled aplikací soft computing technik pro analýzu sentimentu a výběr příznaků. Zpočátku autor disertační práce využívá množství dat ze sociálních médií dostupných online k ovlivňování tím, že využívá techniky dolování textu k analýze obsahu generovaného uživateli z příspěvků na sociálních sítích (tweetů) na podporu spotřebitelského rozhodování a marketingové komunikace. Tento nestrukturovaný obsah vytvářený uživateli silně obsahuje slangy, slova s nesprávným pravopisem atd., což představuje výzvu pro výběr funkcí kvůli vágnosti, nepřesnosti a nejednoznačnosti, které jsou v něm obsaženy. V důsledku toho je implementováno řešení založené na metaheuristickém algoritmu Particle Swarm Optimization (PSO) pro optimální výběr textových prvků během analýzy sentimentu, aby se zvýšila přesnost predikce sentimentu. Druhá část disertační práce kombinuje techniky evolučních výpočtů s úhlovou modulací pro řešení problému výběru příznaků (feature selection). Při hodnocení výkonnosti navržené techniky je použito osmnáct klasických datových sad strojového učení UCI. Zjištění potvrzují konkurenceschopnost a vynikající výkonnost navrženého přístupu při porovnání s jinými metaheuristickými metodami souvisejícími s prací, které jsou k dispozici v literatuře s tématem výběru příznaků. Další statistické testy rovněž potvrzují, že navrhovaná metoda je účinným nástrojem pro řešení binárních optimalizačních problémů v různých oblastech. |
|
| dc.format |
34 |
cs |
| dc.language.iso |
en |
|
| dc.publisher |
Univerzita Tomáše Bati ve Zlíně |
|
| dc.rights |
Bez omezení |
|
| dc.subject |
úhlová modulace
|
cs |
| dc.subject |
evoluční výpočetní techniky
|
cs |
| dc.subject |
výběr příznaků / atributů
|
cs |
| dc.subject |
optimalizace rojem částic
|
cs |
| dc.subject |
analýza sentimentu
|
cs |
| dc.subject |
sociální média
|
cs |
| dc.subject |
angle modulation
|
en |
| dc.subject |
evolutionary computation
|
en |
| dc.subject |
feature selection
|
en |
| dc.subject |
particle swarm optimization
|
en |
| dc.subject |
sentiment analysis
|
en |
| dc.subject |
social media
|
en |
| dc.title |
Soft computingové techniky pro analýzu sentimentu a výběr příznaků |
|
| dc.title.alternative |
Soft Computing Techniques for Sentiment Analysis |
|
| dc.type |
disertační práce |
cs |
| dc.contributor.referee |
Pospíchal, Jiří |
|
| dc.contributor.referee |
Šeda, Miloš |
|
| dc.contributor.referee |
Volná, Eva |
|
| dc.date.accepted |
2023-09-25 |
|
| dc.description.abstract-translated |
Understanding the significance of social media has attracted academic attention in recent times. As a prominent scholar once put it, social media is no longer a passing sensation or fad. Customer opinions expressed on social media can convey important messages that businesses can use to build strong relationships with customers. As social media usage among the general population grows, so are its uses in the business world as more businesses turn to social media as a cost-effective and efficient way to connect with many clients. Despite the quick transition from traditional to social media, firms still struggle to fully comprehend the needs and concerns of their customers in this era of the so-called big data. Moreso, the ability to quickly comprehend consumer communications so that management can respond in a timely and effective manner remains a key challenge. Further, the huge amount of unstructured data and a scarcity of practical tools for analysing this unstructured data makes such analysis more complicated. This dissertation presents a brief overview of the application of soft computing techniques for sentiment analysis and feature selection. Initially, the author of the dissertation utilizes the abundance of social media data available online as leverage by employing text mining techniques to analyze user-generated content from social media posts (tweets) to support consumer decision-making and marketing communications. This unstructured user-generated content heavily includes slang, misspelt words, etc... thereby presenting a challenge to feature selection due to the vagueness, imprecision, and ambiguity contained therein. Consequently, a metaheuristic-based solution using the Particle Swarm Optimization (PSO) algorithm for optimal text feature selection during sentiment analysis is implemented to enhance sentiment prediction accuracy. The second segment of the dissertation combines evolutionary computation techniques with angle modulation to solve feature selection problems. Eighteen classical UCI machine learning datasets are employed in evaluating the performance of the proposed technique. The findings confirm the competitive and superior performance of the proposed approach when juxtaposed with other work-related metaheuristics methods available in feature selection literature. Further statistical tests also confirm the proposed method as a potent tool for resolving binary optimization problems across different domains. |
|
| dc.description.department |
Ústav informatiky a umělé inteligence |
|
| dc.thesis.degree-discipline |
Engineering Informatics |
cs |
| dc.thesis.degree-discipline |
Engineering Informatics |
en |
| dc.thesis.degree-grantor |
Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky |
cs |
| dc.thesis.degree-grantor |
Tomas Bata University in Zlín. Faculty of Applied Informatics |
en |
| dc.thesis.degree-name |
Ph.D. |
|
| dc.thesis.degree-program |
Engineering Informatics |
cs |
| dc.thesis.degree-program |
Engineering Informatics |
en |
| dc.identifier.stag |
66061
|
|
| dc.date.submitted |
2023-08-22 |
|
