Thiết kế giao diện và các chức năng phần mềm hỗ trợ người dùng sử dụng thuật toán

TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT KHOA KỸ THUẬT CÔNG NGHỆ Tên đề tài: NGHIÊN CỨU RÚT TRÍCH THÔNG TIN DỰA TRÊN CƠ SỞ PHÂN TÍCH CẢM XÚC Mã số: Chuyên đề: Thiết kế giao diện và các chức năng

TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT

KHOA KỸ THUẬT CÔNG NGHỆ

Tên đề tài: NGHIÊN CỨU RÚT TRÍCH THÔNG TIN

DỰA TRÊN CƠ SỞ PHÂN TÍCH CẢM XÚC

Mã số:

Chuyên đề:

Thiết kế giao diện và các chức năng phần mềm

hỗ trợ người dùng sử dụng thuật toán

Chủ nhiệm đề tài : ThS.Nguyễn Tấn Lộc

Người chủ trì thực hiện chuyên đề : ThS.Nguyễn Tấn Lộc

Bình Dương, 08/01/2018

Mục lục

1 Đặt vấn đề 1

2 Phương pháp nghiên cứu, cách tiếp cận 1

3 Kết quả đạt được 2

4 Kết luận và kiến nghị 4

5 Tài liệu tham khảo 5

Danh mục chữ viết tắt

TF: term frequency

IDF: inverse document frequency

TF.IDF: term frequency inverse document frequency

DTM: document term matrix

Logistic: hồi quy logistic

P(A): Xác xuất sự kiện A

NER: Named Entity Recognition

SoA: Sentiment analysis – Phân tích cảm xúc

1

1 Đặt vấn đề

- Câu truy vấn bất kỳ của người dùng được đưa vào hệ thống đề xuất (mô hình ở hình chuyên đề 4) Câu truy vấn không đòi hỏi phải đúng cú pháp và

có cấu trúc

- Hệ thống sẽ thực hiện các bước tiền xử lý như đã nêu ở các chuyên đề trên với câu truy vấn để xác định câu truy vấn có cảm xúc không, và có giá trị positive hay negative

- Nếu câu truy vấn mang yếu tố chủ quan (có cảm xúc), hệ thống sẽ xác định xem câu truy vấn có giá trị positive hay negative, để người dùng quyết định rút trích thông tin từ tập tin có cảm xúc nào trong cơ sở dữ liệu

- Sau khi xác định được tập dữ liệu cảm xúc để rút trích thông tin cho câu truy vấn, hệ thống sẽ thực hiện rút trích bằng phương pháp rút trích thông tin mà luận văn lựa chọn là chia nhỏ câu truy vấn thành các vectơ từ và so trùng với cơ sở dữ liệu đã được phân loại Các giải thuật này được viết trên python

2 Phương pháp nghiên cứu, cách tiếp cận

- Thiết kế giao diện HTML, CSS

- Sử dụng ngôn ngữ lập trình python với IDE jupyter notebook

Results

 Pos: 0.7

 Neg : 0.3

Câu văn tối đa 100 từ

Thực hiện

2

3 Kết quả đạt được

- Tìm theo câu và tự phân loại cảm xúc

Ví dụ như: Nhập vào 1 câu "like pho vietnam" và chọn position thì

Nó sẽ tìm kiếm câu nào có cụm từ đó hoặc câu chỉ cần có screen hoặc like hoặc pho thì nó cũng sẽ liệt kê ra tất cả

- Nếu được thì khi nó liệt kê ra theo kiểu sắp xếp cái nào có nhiều đối tượng giống như câu tìm kiếm thì sẽ liệt kê ở những hàng trên, những câu có ít đối tượng hơn thì liệt kê phía dưới

- Bình luận nằm nhóm đầu 10 được bình luận tốt nhất, nhóm 10 bình luận hàng đầu theo quốc gia:

Nhóm bình luận tích cực

Nhóm bình luận tiêu cực

Quốc gia

Thực hiện

kết quả

3

Bảng 1 Các bình luận cảm xúc tích cực nhất cho các doanh nghiệp

Bảng 2 Các bình luận cảm xúc tích cực nhất cho các doanh nghiệp Việt Nam

- Nhóm 10 bình luận cảm xúc tiêu cực nhất cho các nhà hàng Việt Nam, dữ liệu phản ánh khá hợp lý với xếp hạng 1 đến 3 sao

4

Bảng 3.Nhóm bình luận cảm xúc tiêu cực nhất cho doanh nghiệp Việt Nam

Kết quả phân loại cảm xúc tích cực và tiêu cực ảnh hưởng rất mạnh đến kết quả rút trích thông tin Nếu kết quả phân loại chính xác, truy vấn sẽ rút trích thông tin

có độ chính xác cao

Hình 1 Các từ ảnh hưởng mạnh ẩm thực Việt

4 Kết luận và kiến nghị

.- Trong thời gian tới chúng tôi sẽ khảo sát, nghiên cứu các tính năng và thiết kế giao diện tiện dụng hơn nữa nhằm đáp ứng tốt hỗ trợ người dùng

- Phát triển ứng dụng trên nền di động Android

5

5 Tài liệu tham khảo

[1] B Agarwal and N Mittal, “Optimal feature selection for sentiment analysis,” in Proceedings of the 14th International Conference on Intelligent Text Processing and Computational Linguistics (CICLing 13), vol 7817, pp 13–24, 2013

[2] A Basant, M Namita, B Pooja, Sonal Garg “Sentiment Analysis Using Common-Sense and Context Information” Hindawi Publishing Corporation Computational Intelligence and Neuroscience (2015)

[3] RuiXia, FengXu, JianfeiYu,” Polarity shift detection, elimination and ensemble: A three stage model for document-level sentiment analysis” Information Processing and Management 52 (2016) 36– 45

[4] Y Ainur, Y Yisong, C Claire “Multi-level structured models for document-level sentiment classification”.Proceedings of the 2010 Conference

on Empirical Methods in Natural Language Processing, MIT, Massachusetts, Association for Computational Linguistics, USA (2010), pp 1046-1056

[5] F Noura, C Elie, A.A Rawad, H Hazem “Sentence-level and document-level sentiment mining for arabic texts”.Proceeding IEEE International Conference on Data Mining Workshops (2010)

[6] Hao chen Zhou and Fei Song.(2015) “Aspect-level sentiment analysis based on a generalized probabilistic topic and syntax model” Proceedings of the Twenty-Eighth International Florida Artificial Intelligence Research Society Conference, Association for the Advancement of Artificial Intelligence (2015) [7] Ariyasriwatana, W., Buente, W., Oshiro, M., & Streveler, D (2014) Categorizing health-related cues to action: using Yelp reviews of restaurants in Hawaii New Review of Hypermedia and Multimedia, 20(4), 317-340

[8] Hicks, A., Comp, S., Horovitz, J., Hovarter, M., Miki, M., & Bevan, J L (2012) Why people use Yelp com: An exploration of uses and gratifications Computers in Human Behavior, 28(6), 2274-2279

[9] Huang, J., Rogers, S., & Joo, E (2014) “Improving restaurants by

extracting subtopics from yelp reviews” iConference 2014 (Social Media Expo)

[10] Ruhui Shen, Jialiang Shen, Yuhong Li & Haohan Wang (2016), ” Predicting usefulness of Yelp reviews with localized linear regression models”,

6

2016 7th IEEE International Conference on Software Engineering and Service Science (ICSESS)

[11] Solov'ev A N., Antonova A Ju., Pazel'skaia A G., (2012), Using

sentiment-analysis for text information extraction I-Teco (Moscow)

[12] Wanxiang Che, Yanyan Zhao, Honglei Guo, Zhong Su, and Ting Liu,” Sentence Compression for spect-Based Sentiment Analysis” IEEE/ACM

TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING, VOL 23, NO 12, DECEMBER 2015

Information Retrieval vol 2, no 4, pp 303 - 336

[14] I.H Witten, G.W Paynter, E Frank, C Gutwin and C.G Nevill-Manning.(1999) “KEA: Practical automatic Keyphrase Extraction.” The proceedings of Digital Libraries '99: The Fourth ACM Conference on Digital Libraries, pp 254-255

[15] Huong Nguyen Thi Xuan, Anh Cuong Le ; Le Minh Nguyen,

(2012) ”Linguistic Features for Subjectivity classification“ Asian Language

Processing (IALP), 2012 International Conference