المؤلفون: Luis Pilacuan-Bonete, Purificación Galindo-Villardón, Francisco Delgado-Álvarez

المصدر: Mathematics; Volume 10; Issue 14; Pages: 2529

مصطلحات موضوعية: SARS-CoV-2, COVID-19, HJ-biplot, latent Dirichlet assignment, LDA

وصف الملف: application/pdf

Relation: Probability and Statistics; https://dx.doi.org/10.3390/math10142529

الاتاحة: https://doi.org/10.3390/math10142529

المؤلفون: Agudelo Restrepo, Leydi

المساهمون: Ospina Arango, Juan David

المصدر: Repositorio UN
Universidad Nacional de Colombia
instacron:Universidad Nacional de Colombia

مصطلحات موضوعية: Análisis de sentimientos, Lenguajes naturales, Latent dirichlet assignment, Natural language processing, Net promoter score, 004 - Procesamiento de datos Ciencia de los computadores [000 - Ciencias de la computación, información y obras generales], Non-negative matrix factorization, Natural languages, Topic modeling, Sentiment analysis, Indexación semántica latente, 006 - Métodos especiales de computación [000 - Ciencias de la computación, información y obras generales], Procesamiento de lenguaje natural, Asignación latente de dirichlet, Latent semantic indexing, Factorización de matriz no negativa, Modelado de tópicos

وصف الملف: 70 páginas; application/pdf

URL الوصول: https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::548ed391dd093822fe3cdaa2c9a847c0
https://repositorio.unal.edu.co/

المؤلفون: Agudelo Restrepo, Leydi

المساهمون: Ospina Arango, Juan David

مصطلحات موضوعية: 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores, información y obras generales::006 - Métodos especiales de computación, Lenguajes naturales, Natural languages, Procesamiento de lenguaje natural, Análisis de sentimientos, Modelado de tópicos, Asignación latente de dirichlet, Indexación semántica latente, Factorización de matriz no negativa, Natural language processing, Sentiment analysis, Topic modeling, Net promoter score, Latent dirichlet assignment, Latent semantic indexing, Non-negative matrix factorization

وصف الملف: 70 páginas; application/pdf

Relation: Athanasiou, V., & Maragoudakis, M. (2017). A novel, gradient boosting framework for sentiment analysis in languages where NLP resources are not plentiful: a case study for modern Greek. Algorithms, 10(1), 34.; Aziz, A. A., & Starkey, A. (2019). Predicting supervise machine learning performances for sentiment analysis using contextual-based approaches. IEEE Access, 8, 17722-17733.; Anderson, E. W., Fornell, C., & Lehmann, D. R. (1994). Customer satisfaction, market share, and profitability: Findings from Sweden. Journal of marketing, 58(3), 53-66.; Baviera, T. (2017). Técnicas para el análisis del sentimiento en Twitter: Aprendizaje Automático Supervisado y SentiStrength. Dígitos, 1(3), 33-50.; Bird S, Klein E, y Loper E, (2009), Natural Language Processing with Python, Estados Unidos de América, O’Reilly Medía.; Cheng, M., & Jin, X. (2019). What do Airbnb users care about? An analysis of online review comments. International Journal of Hospitality Management, 76, 58-70.; Chiruzzo, L., Rosá, A., & Etcheverry, M. (2020). Análisis de Sentimiento para Tweets en Español: Algunos Experimentos con Foco en los Tweets Neutros. Procesamiento del lenguaje natural, (64), 109-116.; De la Torre, J., & del Consuelo, M. (2017). Nuevas técnicas de minería de textos: Aplicaciones (Doctoral dissertation, Universidad de Granada).; Feng, L., & Wei, W. (2020). A Combined Method of r-NPS and t-NPS Evaluations for Identification of Negative Triggers of Detractors’ Experience. Sustainability, 12(4), 1652.; Fernández, J., Boldrini, E., Gómez, J. M., & Martínez-Barco, P. (2011). Análisis de Sentimientos y Minería de Opiniones: el corpus EmotiBlog. Procesamiento del lenguaje natural, 47, 179-187.; Fernández, J., Gutiérrez, Y., Gómez, J. M., Martínez-Barco, P., Montoyo, A., Munoz, R. (2013). Sentiment analysis of spanish tweets using a ranking algorithm and skipgrams.; Fisher, N. I., & Kordupleski, R. E. (2018). What is Wrong with Net Promoter Score. arXiv preprint arXiv:1806.10452.; Fodeh, S. J., Al-Garadi, M., Elsankary, O., Perrone, J., Becker, W., & Sarker, A. (2020). Utilizing a multi-class classification approach to detect therapeutic and recreational misuse of opioids on Twitter. Computers in Biology and Medicine, 104132.; Gelbukh, A. (2010). Procesamiento de lenguaje natural y sus aplicaciones. Komputer Sapiens, 1, 6-11.; Henríquez, C., Pla, F., Hurtado, L. F., & Guzmán, J. (2017). Análisis de sentimientos a nivel de aspecto usando ontologías y aprendizaje automático. Procesamiento del Lenguaje Natural, (59), 49-56.; Hernández, M. B., & Gómez, J. M. (2013). Aplicaciones de procesamiento de lenguaje natural. Revista Politécnica, 32; Korenius, T., Laurikkala, J., Järvelin, K., & Juhola, M. (2004, November). Stemming and lemmatization in the clustering of finnish text documents. In Proceedings of the thirteenth ACM international conference on Information and knowledge management (pp. 625-633).; Kumar, S., & Zymbler, M. (2019). A machine learning approach to analyze customer satisfaction from airline tweets. Journal of Big Data, 6(1), 1-16.; Mandal, P. C. (2014). Net promoter score: a conceptual analysis. International Journal of Management Concepts and Philosophy, 8(4), 209-219.; Mariñelarena-Dondena, L., Errecalde, M. L., & Solano, A. C. (2017). Extracción de conocimiento con técnicas de minería de textos aplicadas a la psicología. Revista Argentina de Ciencias del Comportamiento, 9(2), 65-76.; Mariñelarena-Dondena, L., Ferretti, E., Maragoudakis, M., Sapino, M., & Errecalde, M. L. (2017). Predicting depression: a comparative study of machine learning approaches based on language usage. Cuadernos de Neuropsicología/Panamerican Journal of Neuropsychology, 11(3).; Medina-Merodio, J. A., Pablos-Heredero, C. D., Jiménez-Rodríguez, M. L., Marcos-Ortega, L. D., Barchino-Plata, R., Rodríguez-García, D., & Gómez-Aguado, D. (2014). Analysis of customer satisfaction using surveys with open questions. Dyna, 81(188), 92-99.; Melnic, E. L. (2016). Techniques for measuring customers' satisfaction in Banks. Bulletin of the Transilvania University of Brasov. Economic Sciences. Series V, 9(1), 23.; Mesa Reyes, J. G. (2016). Procesamiento de lenguaje natural y su aplicación en servicios de hostelería.; Moorthi, Y. L. R., & Mohan, B. C. (2017). Brand value proposition for bank customers in India. International Journal of Bank Marketing.; Mousavi, S. M., & Amiri Aghdaie, S. F. (2021). Identifying the Constructive Elements of “Value Proposition” and their Impact on Customers’ Satisfaction using Sentiment Analysis based on Text Mining. Journal of Business Management, 12(4), 1092-1116.; Mu, R., Zheng, Y., Zhang, K., & Zhang, Y. (2021). Research on Customer Satisfaction Based on Multidimensional Analysis. International Journal of Computational Intelligence Systems, 14(1), 605-616.; Muktafin, E. H. (2021). Sentiments analysis of customer satisfaction in public services using K-nearest neighbors algorithm and natural language processing approach. Telkomnika, 19(1), 146-154.; Nazari, M., Shah Hosseini, M. A., & Tabatabaie Kalejahi, S. V. (2014). Impact of price perception factors on customer and price acceptance (Case study: MTN Irancell Company). Journal of Business Management, 6(3), 647-664.; Paredes-Valverde, M. A., Colomo-Palacios, R., Salas-Zárate, M. D. P., & Valencia-García, R. (2017). Sentiment analysis in Spanish for improvement of products and services: a deep learning approach. Scientific Programming, 2017.; Park, J. (2020). Framework for sentiment-driven evaluation of customer satisfaction with cosmetics brands. IEEE Access, 8, 98526-98538.; Park, M., McDonald, D., & Cha, M. (2013, June). Perception differences between the depressed and non-depressed users in twitter. In Proceedings of the International AAAI Conference on Web and Social Media (Vol. 7, No. 1).; Pérez, D., Alfonseca, E., Rodriguez, P., Gliozzo, A., Strapparava, C., & Magnini, B. (2005). About the effects of combining latent semantic analysis with natural language processing techniques for free-text assessment. Revista signos, 38(59), 325-343.; Reichheld, Frederick F. (diciembre 2003). “One Number You Need to Grow”. Harvard Business Review.; Riaz, S., Fatima, M., Kamran, M., & Nisar, M. W. (2019). Opinion mining on large scale data using sentiment analysis and k-means clustering. Cluster Computing, 22(3), 7149-7164.; Sun, S., Luo, C., & Chen, J. (2017). A review of natural language processing techniques for opinion mining systems. Information fusion, 36, 10-25.; Tao, Y., Zhang, F., Shi, C., & Chen, Y. (2019). Social media data-based sentiment analysis of tourists’ air quality perceptions. Sustainability, 11(18), 5070.; Tarnowska, K. A., & Ras, Z. (2021). NLP-Based Customer Loyalty Improvement Recommender System (CLIRS2). Big Data and Cognitive Computing, 5(1), 4.; Vallez, M., & Pedraza, R. (2007). El Procesamiento del Lenguaje Natural en la Recuperación de Información Textual y áreas afines. Hipertext. net.; Villagra, A., Guzmán, A., Pandolfi, D., & Leguizamón, G. (2009). Análisis de medidas no-supervisadas de calidad en clusters obtenidos por K-means y Particle Swarm Optimization. Ciencia y Tecnología.; Wijngaards, I., Burger, M., & van Exel, J. (2020). Correction: The promise of open survey questions—The validation of text-based job satisfaction measures. Plos one, 15(7), e0236900.; Zainuddin, N., & Selamat, A. (2014, September). Sentiment analysis using support vector machine. In 2014 international conference on computer, communications, and control technology (I4CT) (pp. 333-337). IEEE.; Customer.guru - Net Promoter Score for E-Shops and SaaS [En línea] https://customer.guru/ [último acceso: 22 Febrero 2022]; J. Chuang, CD Manning y J. Heer, Termite: Técnicas de visualización para evaluar modelos de temas textuales (2012), Departamento de Ciencias de la Computación de la Universidad de Stanford; J. Chang et al, Lectura de hojas de té: cómo los humanos interpretan los modelos temáticos (2009), Sistemas de procesamiento de información neuronal; Robertson, A. M., & Willett, P. (1998). Applications of n‐grams in textual information systems. Journal of Documentation.; Welte, W. (1985). Lingüística moderna, terminología y bibliografía (Vol. 5). Gredos.; Risch, J. (2016). Detecting Twitter topics using latent Dirichlet allocation.; Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of machine Learning research, 3(Jan), 993-1022.; Hammoe, L. (2018). Detección de tópicos: utilizando el modelo LDA.; Venegas, V. (2003). Análisis Semántico Latente: una panorámica de su desarrollo. Revista signos, 36(53), 121-138.; Vásquez, A. C. (2017). Clasificación de textos informáticos mediante indexación semántica latente. Perfiles de Ingeniería, 13(13), 109-122.; Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788-791.; Velásquez García, L. E. (2021). Modelamiento de tópicos aplicados al estudio de ataques de Ingeniería social (Bachelor's thesis, Quito, 2021).; Yan, X., Guo, J., Lan, Y., & Cheng, X. (2013, May). A biterm topic model for short texts. In Proceedings of the 22nd international conference on World Wide Web (pp. 1445-1456).; Hamzeian, D. (2021). Using Machine Learning Algorithms for Finding the Topics of COVID-19 Open Research Dataset Automatically (Master's thesis, University of Waterloo).; Mimno, D., Wallach, H., Talley, E., Leenders, M., & McCallum, A. (2011, July). Optimizing semantic coherence in topic models. In Proceedings of the 2011 conference on empirical methods in natural language processing (pp. 262-272).; Newman, D., Chemudugunta, C., & Smyth, P. (2006, August). Statistical entity-topic models. InProceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 680-686).; Ipsos [En línea] https://www.ipsos.com/es-es/nosotros [último acceso: 22 Febrero 2022]; Sentiment-analysis-spanish. (2021, February 4). [En linea] https://pypi.org/project/sentiment-analysis-spanish/ [último acceso: 22 Febrero 2022]; Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends® in information retrieval, 2(1–2), 1-135.; Saura, J. R., Reyes-Menendez, A., & Palos-Sanchez, P. (2019). Are black Friday deals worth it? Mining Twitter users’ sentiment and behavior response. Journal of Open Innovation: Technology, Market, and Complexity, 5(3), 58.; Arango Pastrana, C. A., & Osorio Andrade, C. F. (2021). Aislamiento social obligatorio: un análisis de sentimientos mediante machine learning. Suma de Negocios, 12(26), 1-13.; Gensim: topic modelling for humans [En línea] https://radimrehurek.com/gensim/ [último acceso: 22 Febrero 2022]; scikit-learn: machine learning in Python — scikit-learn 1.0.2 documentation [En línea] https://scikit-learn.org/stable/ [último acceso: 22 Febrero 2022]; pyLDAvis — pyLDAvis 2.1.2 documentation [En línea] https://pyldavis.readthedocs.io/en/latest/readme.html [último acceso: 22 Febrero 2022]; https://repositorio.unal.edu.co/handle/unal/81608; Universidad Nacional de Colombia; Repositorio Institucional Universidad Nacional de Colombia; https://repositorio.unal.edu.co/

الاتاحة: https://repositorio.unal.edu.co/handle/unal/81608
https://repositorio.unal.edu.co/