view in publisher's site
- خانه
- لیست مقالات
- چکیده
A framework for pre-processing of social media feeds based on integrated local knowledge base
Highlights•Noisy terms in social media posts must be semantically analysed to gain full insights.•Better understanding and interpretation of social media feeds is critical for techniques building on them.•Localized knowledge sources can fully capture social media noisy terms from a particular location.•Resolving ambiguity in the use of slangs/ acronyms/abbreviation lead to improved accuracy.AbstractMost of the previous studies on the semantic analysis of social media feeds have not considered the issue of ambiguity that is associated with slangs, abbreviations, and acronyms that are embedded in social media posts. These noisy terms have implicit meanings and form part of the rich semantic context that must be analysed to gain complete insights from social media feeds. This paper proposes an improved framework for pre-processing of social media feeds for better performance. To do this, the use of an integrated knowledge base (ikb) which comprises a local knowledge source (Naijalingo), urban dictionary and internet slang was combined with the adapted Lesk algorithm to facilitate semantic analysis of social media feeds. Experimental results showed that the proposed approach performed better than existing methods when it was tested on three machine learning models, which are support vector machines, multilayer perceptron, and convolutional neural networks. The framework had an accuracy of 94.07% on a standardized dataset, and 99.78% on localised dataset when used to extract sentiments from tweets. The improved performance on the localised dataset reveals the advantage of integrating the use of local knowledge sources into the process of analysing social media feeds particularly in interpreting slangs/acronyms/abbreviations that have contextually rooted meanings.
چارچوبی برای پیش‌پردازش رسانه‌های اجتماعی براساس دانش محلی یکپارچه تغذیه می‌شود.
نکات برجسته * اصطلاحات خاص در پست‌های رسانه اجتماعی باید به لحاظ معنایی تجزیه و تحلیل شوند تا بینش کامل به دست آید.
* درک و تفسیر بهتر فیدهای رسانه‌های اجتماعی برای تکنیک‌های ایجاد آن‌ها حیاتی است.
* منابع دانش محلی شده می‌توانند به طور کامل از رسانه‌های اجتماعی دارای عبارات پر سر و صدا از یک مکان خاص استفاده کنند.
حل ابهام در استفاده از کلمات کلیدی / کلمات اختصاری / کلمات اختصاری منجر به بهبود دقت می‌شود. اکثر مطالعات قبلی در مورد تحلیل معنایی فیدهای رسانه‌های اجتماعی، مساله ابهام مرتبط با کلمات اختصاری، کلمات اختصاری و کلمات اختصاری که در پست‌های رسانه‌های اجتماعی جای گرفته‌اند را در نظر نگرفته اند.
این اصطلاحات پر سر و صدا معانی ضمنی دارند و بخشی از زمینه معنایی غنی را تشکیل می‌دهند که باید برای به دست آوردن بینش کامل از فیدهای رسانه‌های اجتماعی تحلیل شوند.
این مقاله یک چارچوب بهبود یافته برای پیش پردازش فیدهای رسانه‌های اجتماعی برای عملکرد بهتر پیشنهاد می‌کند.
برای انجام این کار، استفاده از یک پایگاه دانش یکپارچه (ikb)که شامل یک منبع دانش محلی (نایجلینگو)، فرهنگ لغت شهری و آرگوی اینترنتی است با الگوریتم لسک تطبیق یافته ترکیب شد تا تحلیل معنایی خوراک‌های رسانه‌های اجتماعی را تسهیل کند.
نتایج تجربی نشان داد که روش پیشنهادی زمانی که بر روی سه مدل یادگیری ماشین که ماشین‌های بردار پشتیبان، پرسپترون چند لایه و شبکه‌های عصبی کانولوشن هستند، مورد آزمایش قرار گرفت، عملکرد بهتری نسبت به روش‌های موجود داشت.
این چارچوب دارای دقت ۹۴.۰۷ % بر روی یک مجموعه داده استاندارد، و ۹۹.۷۸ % بر روی مجموعه داده محلی در هنگام استفاده برای استخراج احساسات از توییت ها بود.
عملکرد بهبود یافته در مجموعه داده‌های محلی، مزیت ادغام استفاده از منابع دانش محلی در فرآیند تجزیه و تحلیل رسانه‌های اجتماعی را نشان می‌دهد، مخصوصا در تفسیر کلمات کلیدی / کلمات اختصاری که معانی ریشه در متن دارند.
ترجمه شده با 
- مقاله Computer Science Applications
- ترجمه مقاله Computer Science Applications
- مقاله کاربردهای علوم کامپیوتر
- ترجمه مقاله کاربردهای علوم کامپیوتر
- مقاله Library and Information Sciences
- ترجمه مقاله Library and Information Sciences
- مقاله علوم کتابداری و اطلاعات
- ترجمه مقاله علوم کتابداری و اطلاعات
- مقاله Information Systems
- ترجمه مقاله Information Systems
- مقاله سیستم‌های اطلاعاتی
- ترجمه مقاله سیستم‌های اطلاعاتی
- مقاله Management Science and Operations Research
- ترجمه مقاله Management Science and Operations Research
- مقاله علوم مدیریت و پژوهش عملیاتی
- ترجمه مقاله علوم مدیریت و پژوهش عملیاتی
- مقاله Media Technology
- ترجمه مقاله Media Technology
- مقاله تکنولوژی رسانه‌ای
- ترجمه مقاله تکنولوژی رسانه‌ای
ترجمه کنید