WYKORZYSTANIE METOD AUTOMATYZACJI TEKSTU W ANALIZIE OPINII KONSUMENCKICH

Analiza opinii konsumenckich jest obszarem badań, który może mieć znaczący wpływ na rozwój działalności biznesowej przedsiębiorstwa. Jest też narzędziem, które może dostarczyć istotnych informacji mających wpływ na wizerunek firmy, co ma duże znaczenie dla firm działających na bardzo konkurencyjnym rynku. Wielu konsumentów przed dokonaniem wyboru towaru lub usługi przeszukuje Internet w poszukiwaniu opinii innych użytkowników sieci. Znalezione rekomendacje często odgrywają decydującą rolę podczas podejmowania decyzji. Aby nadążać za zmieniającymi się oczekiwaniami klientów, warto postawić na badania ich opinii. Narastająca liczba opinii dostępnych w sieci wytworzyła potrzebę ich automatycznej analizy i przetwarzania. Zagadnienie to zyskuje na popularności zarówno wśród badaczy, jak i wśród przedsiębiorców, dla których opinie konsumentów stanowią źródło informacji biznesowej. Dzięki stale rosnącej potrzebie dostępu do opinii klientów, a co za tym idzie – wiedzy i informacji, które można z nich czerpać, narzędzia umożliwiające automatyzację procesu pozyskiwania z nich kluczowych i strategicznych informacji zyskują na znaczeniu. Problem ten wymaga nieco innego spojrzenia na dane i doboru określonego sposobu ich analizowania za pomocą technik eksploracji danych, zwłaszcza tekstowych. Głównym celem pracy jest przeprowadzenie analizy automatycznej klasyfikacji opinii z wykorzystaniem eksploracyjnych metod analizy tekstu oraz metody opartej na wzorcach. Wykorzystane podejścia zostaną porównane z tymi dotychczas stosowanymi w badaniach. Wykorzystanie informacji pozyskanych z opinii klientów przyczynia się do zwiększenia wiedzy pracowników na wszystkich szczeblach organizacji, zapewnia dostęp do odpowiednich informacji we właściwym czasie, dzięki czemu wpływa na trafność podejmowanych decyzji biznesowych.

Pełny tekst (pdf)

1. Cambria E., Schuller B., Yunqing X., Havasi C., New avenues in opinion mining and sentiment analysis, „Intelligent Systems, IEEE”2013/28, s. 15–21.
2. Cummins R., O’Riordan C., Evolving general term weighting schemes for information retrieval: Tests on larger collections, „Artif.Intell.Rev.” 24/3–4(2005), s. 277–299.
3. Hu N., Pavlou P., Zhang J., Can online reviews reveal a product’s true quality?: empirical findings and analytical modeling of Online word-of-mouth communication, Proceedings of the 7th ACM conference on Electronic commerce, ACM, 2006, s. 324–330.
4. Hu N., Zhang J.,Pavlou P.A., Overcoming the J-shaped distribution of product reviews, „Commun. ACM” 52/10 (2009), s. 144–147.
5. Kohonen T., Kaski S., Lagus K., Salojrvi J., Honkela J., Paatero V., Saarela A., Self-organization of a massive document collection, IEEE Transactions on Neutral Networks, 2000/11, s. 574–585.
6. Larose D., Odkrywanie wiedzy z danych, Wydawnictwo Naukowe PWN, Warszawa 2006.
7. Liu B., Web Data Mining. Exploring Hyperlinks, Contents, and Usage Data, Springer-Verlag Berlin, Heidelberg 2007.
8. Liu B., Opinion Mining and Sentiment Analysis, [w:] idem,Web Data Mining, Data-Centric Systems and Applications, Springer, Berlin–Heidelberg 2011, s. 459–526.
9. Lula P., Automatyczna analiza opinii konsumenckich, [w:]Taksonomia 18, Klasyfikacja i analiza danych – teoria i zastosowania, red. K. Jajuga, M. Walesiak, Wydawnictwo UE we Wrocławiu, Wrocław2011.
10. Lula P., Wójcik K., Sentiment analysis of consumer opinions written in Polish, „Economics and Management” 2011, s. 1286–1291.
11. Manning C.D., Raghavan P., Schütze H., Introduction to Information Retrieval, Cambridge University Press, Cambridge 2008.
12. Manning C.D., Schütze H., Foundations of Statistical Natural Language Processing, The MIT Press, Cambridge, Mass., 2001.
13. Mudambi S., Schu– D., What makes a helpful online review? A study of customer reviews on Amazon. com, „MIS Quarterly” 34/1 (2010), s. 185–200.
14. Pang B., Lee L., Seeing Stars: Exploiting Class Relationships for Sentiment Categorization with Respect to Rating Scales, Proceedings of the 43rd Annual Meeting on Association for Computational Linguistics, Stroudsburg, PA, 2005,s.115–124.
15. Pang B., Lee L., Opinion Mining and Sentiment Analysis,„Foundations and Trends in Information Retrieval” 2/1–2(2008), s. 1–135.
16. Rajaraman A., Ullman J.D., Data Mining. Mining of Massive Datasets, Cambridge University Press, New York 2012.
17. Salton G., Wong A., Yang C.S., A vector space model for automatic indexing, „Communications of the ACM” 1975/18, s. 613–620.
18. Zhu F., Zhang X., Impact of online consumer reviews on sales: The moderating role of product and consumer characteristics, „Journal of Marketing” 74/2 (2010), s. 133–148.
19. Zipf G., Human Behaviour and the Principle of Least Effort, Cambridge 1949.