Сочинение на тему Анализ настроений данных социальных сетей для конкурентного преимущества в бизнесе
- Опубликовано: 10.09.2020
- Предмет: Бизнес, жизнь, Развлекательная программа
- Темы: Особенность персонажа, Социальные сети, целостность
Академическая честность
Академическая честность ожидается. Таким образом, плагиат и другие формы академических проступков недопустимы.
- Автор несет полную ответственность за предоставление оригинальной работы, полностью созданной автором и никем другим. Имейте в виду, что LIC оставляют за собой право запрашивать устные экзамены для оценки авторства.
- Автор должен обеспечить соблюдение надлежащих правил цитирования и цитирования при ссылках на работы других.
- Автор должен быть осведомлен о политике UNSW в отношении академической честности и плагиата.
Введение
В процессе принятия решений отдельные лица и организации всесторонне оценивают мнения и мысли других людей. Рекомендации, объяснения и ссылки оказывают огромное влияние на выбор людей. Аналогичным образом, предприятия учитывают выбор потребителей по расширению своего бизнеса и внедрению многих функций для бизнеса. По мере развития Интернета и Всемирной паутины форма этих рекомендаций принимала разные формы. Эволюция Web 2.0, которая позволяла пользователям взаимодействовать и сотрудничать друг с другом, изменила пассивный просмотр контента Интернета в Web 1.0 («Web2. 0», 2018). Одновременно веб 2.0 позволял пользователям создавать данные и контент на сайтах социальных сетей.
Поэтому в Интернете создается огромное количество данных, которые могут быть использованы для различных целей (Hutchison and Kumara, 2013). Однако данные социальных сетей создаются в разнородных форматах, таких как тексты, изображения, видео или звуки. Различные методы могут быть использованы для анализа данных в сложных и различных форматах. Человеческие языки сложны и разнообразны. Кроме того, люди общаются друг с другом бесконечными способами. На сегодняшний день люди обычно используют сотни языков для общения в устной и письменной форме. Каждый язык состоит из уникального набора синтаксических правил, терминов и сленга. Кроме того, слова, используемые для общения, имеют разные значения и выражения.
Соответственно, обработка естественного языка (NLP), известная как область искусственного интеллекта (ИИ), была разработана для того, чтобы помочь компьютерам понимать, интерпретировать и манипулировать человеческими языками. НЛП используется для компьютеров, чтобы читать, слышать, интерпретировать и анализировать человеческие языки (SAS, н. Д.). Поскольку социальные сети становятся влиятельной и важной частью человеческой жизни, использование НЛП становится критически важным. В настоящее время НЛП используется для использования и интерпретации больших данных, генерируемых в социальных сетях. Анализ настроений является одной из таких областей НЛП, которая была разработана для систематического выявления и изучения эмоциональных состояний и субъективной информации говорящего, писателя или другого субъекта в отношении какой-либо темы или документа, взаимодействия или события («SentimentAnalysis», 2018 ). В настоящее время анализ настроений стал одной из ключевых тем с большим интересом, так как имеет много практических разработок. С развитием социальных сетей объем данных, выражающих индивидуальные мнения на разных языках, огромен (Gupta, 2018). Эти неструктурированные данные имеют значительный потенциал с ценными скрытыми значениями как для частных, так и для общественных организаций. В таких случаях с помощью анализа настроений эти неструктурированные данные могут автоматически преобразовываться в структурированную и значимую информацию.
В конечном счете, анализируемая информация дает отдельное значение для продуктов, услуг, политики, развлечений или любой другой темы в мире, в которой люди выражают свое мнение. Анализируемая информация может быть очень полезна для бизнес-приложений, таких как маркетинговый анализ, связи с общественностью, обзоры продуктов, отзывы о продуктах и обслуживание клиентов, поскольку она содержит социальные настроения. С другой стороны, повсеместное распространение информационных технологий превратило ИТ-приложения в товары повседневной жизни (Carr, 2003). Бизнес-организации и компании выявляют потенциал ИИ и его приложений, и они вкладывают больше средств в исследования ИИ. В 2016 году компании инвестировали 26–39 миллиардов долларов в ИИ, в то время как такие технологические гиганты, как Amazon, Apple, Baidu и Google, становятся лидерами (Bughin et al., 2017). Однако в их статье «Искусственный интеллект – следующий цифровой рубеж»? Бугин и др. (2017) показывает, что, несмотря на все инвестиции, коммерческое использование ИИ до сих пор было ограниченным. Они также показывают, что, хотя это была дорогостоящая задача, отрасли, которые стали первыми участниками внедрения ИИ или связанных с ним технологий, на сегодняшний день получили много преимуществ (Bughin et al., 2017).
Следовательно, необходимо разрабатывать уникальные и инновационные приложения с использованием информационных технологий, чтобы получить конкурентные преимущества бизнеса. Ввиду этого бизнес-приложения, которые используют анализ настроений больших данных социальных сетей для предоставления значимой информации, могут играть важную роль в бизнесе. На сегодняшний день обсуждения технологий и бизнеса сосредоточены на том, как каждая организация использует технические инновации для достижения своих целей. После обзора технологии анализа настроений и того, как и в какой степени она используется в настоящее время в социальных сетях, в этом исследовании рассматривается потенциал анализа настроений в данных социальных сетей и выясняется, могут ли предприятия получить конкурентные преимущества на основе проанализированных данных.
Оценка обработки естественного языка
История НЛП восходит к 1950-м годам. Это было открыто миру, когда Алан Тьюринг опубликовал статью о языковой обработке и интеллектуальном машинном обучении в 1950 году (Cambria and White, 2014). Простые операции НЛП включают разбиение языка на более короткие части, чтобы сделать его понятным, выстраивая отношения между частями, в конечном итоге создавая смыслы (SAS, н. Д.). По сути, существует четыре типа языковых функций, на которых в основном сосредоточены НЛП, и они определены как синтаксис, семантика, дискурс и речь («NaturalLanguageProcessing», 2018). Соответственно, с 1950-х годов основное внимание уделялось нескольким аспектам задач НЛП более высокого уровня, которые работают над вышеуказанными языковыми функциями. Эти задачи могут быть идентифицированы как категоризация контента, обнаружение и моделирование тем, извлечение контекста, преобразование речи в текст и преобразование текста в речь, суммирование документов, машинный перевод и анализ настроений, которые были дополнительно разработаны следующим образом (SAS, н. Д.).
- Категоризация контента – это часть дискурсивного анализа, которая, в конечном итоге, позволяет составлять лингвистические резюме документов, включая поиск и индексацию. · Поиск и моделирование тем. Это часть семантического анализа, которая точно отражает смысл и темы в текстовых коллекциях.
- Контекстное извлечение – важная часть синтаксического анализа, которая автоматически извлекает структурированную информацию из текстовых источников.
Анализ настроений как область НЛП Даже несмотря на то, что НЛП имеет долгую историю, до 2000 года было проведено мало исследований по анализу настроений. Однако распространение Интернета с массовым использованием данных сделало анализ настроений очень активной областью исследований. Количество коммерческих приложений было разработано на основе анализа настроений, и широкое использование в отрасли было значительно увеличено. С одной стороны, популярность социальных сетей привела к расцвету этой сферы. С другой стороны, в этой области было много сложных исследовательских задач, которые исследователи никогда ранее не изучали (Liu, 2012). Тем не менее, можно утверждать, что, поскольку в социальных сетях имеется огромный объем многовариантных данных, это напрямую повлияло на работу исследователей по анализу настроений. Хотя исследование анализа настроений в основном началось с начала 2000 года, была проведена более ранняя работа по интерпретации метафор, прилагательных настроений, субъективности, точек зрения и аффектов (Hatzivassiloglou and McKeown, 1997; Hearst, 1992; Wiebe, 1990, 1994; Wiebe et al. al., 1999). Эта книга служит современным и всеобъемлющим вводным текстом, а также обзором по данной теме. Анализ настроений как производственная практика
Неудивительно, что исследования в области анализа настроений не только оказывают важное влияние на НЛП, но также могут оказывать глубокое влияние на науки управления, политологию, экономику и социальные науки, поскольку на них все влияют мнения людей.
Анализ настроений данных Big DataBig и Cloudy как области исследований в последнее время приобретает все большую популярность благодаря увеличению сбора данных по всему миру. Информация стала ценным товаром, и исследователи разрабатывают инновационные способы получения информации из социальных сетей. Мера, используемая для прогнозирования дохода, была отношением положительных / отрицательных твитов. Это демонстрирует, что бинарные настроения были успешными в увеличении предсказательной силы твитов: в дополнение к опережающему Голливудской фондовой бирже и (с предостережениями) предсказанию на основе новостей, кассовая модель на основе Twitter не полагалась на использование характеристик фильма для построить модель прогнозирования. Это показывает, что Twitter и другие социальные сети могут быть полезны в обучении без учителя, что ведет к непредсказуемому прогнозированию. С точки зрения рекламы общепринято, что из уст в уста очень важно принимать решения о покупке. Более активное участие с продуктом увеличивает вероятность лидерства мнения, что, в свою очередь, увеличивает вероятность распространения мнения. Кроме того, то, что первые пользователи продукта являются активами в процессе продаж, указывает на то, что из уст в уста оказывает сильное влияние на продажи.
Кроме того, считается, что крупномасштабное изменение рынка может быть достигнуто с минимальными затратами за счет использования «влиятельных лиц». Несколько исследователей использовали Twitter, чтобы определить, является ли концепция «влияния» действительной при рекламе [7,8]. Результаты оказались несколько обескураживающими, так как кажется, что большая часть влияния обусловлена социальной группой пользователя; это понимание предполагает, что реклама в Америке, возможно, зависела от ошибки «знаменитости как влиятельного лица» в течение последних полувека. Это понимание демонстрирует, что информация в социальных сетях может позволить исследовать вопросы на более высоком уровне, чем это было возможно ранее. Чтобы эмпирически обрабатывать разговорные данные, необходимо использовать семантические методы для генерации численной оценки разговорных данных. С точки зрения интернет-данных, анализ настроений широко использовался для подготовки данных к обработке. Считается, что чувства играют жизненно важную роль в процессе принятия решений. Кроме того, анализ настроений был усовершенствован путем анализа данных блогов, прежде чем стали доступны более масштабные данные социальных сетей. Бизнес и финансы давно используют данные, так как этот термин используется в случайном смысле. Стандартным определением данных является любая «фактическая информация (такая как измерения или статистика), используемая в качестве основы для рассуждений, обсуждения или расчета. Как следует из терминологии, большие данные частично характеризуются объемом. Но помимо огромного размера, «большие данные» означают степень сложности, которая возникает в результате компиляции информации, принимающей разные формы, происходящей из нескольких источников, созданных в разное время.
Эта сложность и объем требуют методов, которые обеспечивают сбор, хранение, обработку и анализ такой информации. Таким образом, «большие данные» – это больше, чем просто много информации; он представляет новый фрейм, в котором информация собирается, подключается и используется. В то время как инвесторы долго искали новые формы информации для повышения доходности, цифровой возраст генерирует экспоненциально больше данных из бесчисленных новых источников. Инвесторы могут использовать спутниковые снимки для измерения автомобилей клиентов на стоянках и могут «очищать» веб-сайты эмитента для получения большей информации, чем, возможно, предназначалось для общественного потребления. Фактически, данные сейчас настолько велики – с точки зрения актуальности и масштабов – что многие инвесторы и даже некоторые правительственные учреждения 4 подписываются на потоки данных, которые должны обрабатываться на месте, или на предварительно упакованные аналитические материалы от компаний, занимающихся анализом данных. 5В целом, существует глубокий интерес к тому, может ли майнинг социальных сетей принести пользу в прогнозировании рынка или рекламе. е. г. использование Twitter для прогнозирования продаж в кассах. Приблизительно 2.89 миллиона твитов были собраны, ссылаясь на 24 фильма, используя слова из названия фильма в качестве строки поиска для API Twitter.
Заключение
Размышления о разработке плана исследований и его выполнении <Опишите разницу (ы) между «исследованиями, запланированными», и исследованиями, выполненными. Этот раздел предлагает вам поразмышлять над тем, что у вас получилось ...
Люди больше не будут пользоваться социальными сетями. Этот вопрос большой. Тем более, что большая часть социальных сетей, очевидно, является социальной. Часто люди встречаются, потому что
Информационные и коммуникационные технологии играют важную роль в продвижении преподавательской и учебной деятельности. Социальные медиа играют жизненно важную роль в предоставлении информации и проблем мгновенно.
Социальная коммуникация позволяет социальное сотрудничество. Виртуальное сообщество быстро развивается во всем мире. Подростки посещают такие сайты, как WhatsApp, Facebook и Snapchat, чтобы общаться со своими