فایل ورد کامل بیشتر از کلمات: متن کاوی شبکه های اجتماعی برای احساسات و تمایلات مصرف کننده برند

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل بیشتر از کلمات: متن کاوی شبکه های اجتماعی برای احساسات و تمایلات مصرف کننده برند،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

در این بررسی ما به تجزیه و تحلیل قطبیت احاسات بیش از ۳۵۰۰ توئیت رسانه های اجتماعی که نگرش هایشان را نسبت به ۱۶ برند جهانی بیان کرده بودند پرداختیم. کاربران رسانه های اجتماعی ۶۷% از حدود یک بیلیون کاربر فعال اینترنت را شامل می شوند (Eirinaki et al., 2012). اگرچه یک توئیت واحد محدود به ۱۴۰ کاراکتر می شود، تقریبا روزانه حدود میلیون ها توئیت پست گذاشته شده در توییتر ممکن است نمایش بی طرفانه ای از احساسات مصرف کنندگان نسبت به خدمات و برندها را فراهم آورد. دریافت عقاید مصرف کنندگان و کسب دانش درباره ی سلائق مصرف کننده برای مدت ها دغدغه ای برای محققان بازاریابی بوده است. با وجود این، شیوه های سنتی بازاریابی نظیر گروه های تمرکز و مصاحبه رو در رو هم هزینه بر هستند و هم زمان بر. در مقابل، توئیت ها و وبلاگ ها به طور رایگان در دسترس هستند. چنین سانه های تولید کننده ی مصرف کننده نیز عاری از تعصب و طرفداری هستند که ممکن است بوسیله ی مصاحبه گرها در مورد مصاحبه های شخصی دیده شود. علاوه بر این، مصرف کنندگان ممکن است به سادگی در مقابل شاخص های اندازه گیری عینی نظیر داده های فروش، درآمدها یا قیمت سهام ترازیابی شوند. 

عنوان انگلیسی:More than words: Social networks’ text mining for consumer brand sentiments~~en~~

Introduction Opinions expressed in social networks play a major role in influencing public opinion’s behavior across areas as diverse as buying products, capturing the ‘‘pulse’’ of stock markets and voting for the president (Bai, 2011; Eirinaki, Pisal, & Singh, 2012). An opinion may be regarded as a statement in which the opinion holder makes a specific claim about a topic using a certain sentiment (Kim & Hovy, 2004). Web-generated opinions in blogs and social networks have recently become a valuable resource for mining user sentiments for the purpose of customer relationship management, public opinion tracking and text filtering (Zhang, Zeng, Li, Wang, & Zuo, 2009). Online opinions have been recently analyzed using sentiment analysis (SA). This is basically a natural language processing (NLP) application that uses computational linguistics and text mining to identify text sentiment, typically as positive, neutral or negative. This technique is also known in the text mining literature as emotional polarity analysis (EPA), opinion mining, review mining, or appraisal extraction (Zagal, Tomuro, & Shepitsen, 2012). Thus, SA can be regarded as an automated knowledge discovery technique that aims at finding hidden patterns in a large number of reviews, blogs or tweets. To calculate a sentiment score, the sentiment obtained from the text is compared to a lexicon or a dictionary to determine the strength of the sentiment. For example, the lexical resource SentiWord, which includes around 200,000 entries, uses a semi-supervised method to assign each word with positive, negative and objective scores. For instance, as Fig. 1 illustrates, a negative word might have in one of its senses a sentiment score of negative 0.375, positive 0.125 and objective 0.5. Knowledge obtained from social networks are extremely valuable because millions of opinions expressed about a certain topic are highly unlikely to be biased. The affective nature of such opinions makes them easily understandable by the majority of readers, which increasingly make them the basis for making decisions regarding marketing research, business intelligence, stock market prediction and image monitoring (Montoyo, Martiniz-Barco, & Balahur, Forthcoming). However, almost all online text-based communications ignore the rules of spelling and grammar. In fact, Web texts have been classified as noisy as they still pose considerable problems both at the lexical and the syntactic levels (Boiy & Moens, 2009). At the lexical level, jargon, contractions of existing words/abbreviations, the use of emoticons and the creation of new words are the norm. At the syntactic level, we can hardly speak of real sentences. This writing style is evident in most forms of computer-mediated communication forums such as social network sites, bulletin boards and chat rooms (e.g., Derks, Fischer, & Bos, 2008). Although language purists might argue that such tendency represents poor language use, Thelwall, Buckley, Paltoglou, Cai, and Kappas (2010) claim that such use is prompted by technological advancements along with social factors. This complicating factor pertaining to informal Web texts’ sentiment detection has been dealt with through several techniques, including word sense disambiguation (Pederson, 2001), accurate detection of negation (Dave, Lawrence, & Pennock, 2003), and inferring semantic orientation from association (Turney & Littman, 2003). Dealing successfully with this problem has led to a plethora of online sentiment analyses in texts written in languages as diverse as English (e.g., Jansen, Zhang, Sobel, & Chowdury, 2009), Chinese (e.g., Xu, Liao, & Li, 2008) Arabic (Ahmed & Almas, 2005), and multilanguages (Abbasi, Chen, & Salem, 2008). Although several studies have recently investigated SA (e.g., Cai, Spangler, Chen, & Zhang, 2010; Leong, Lee, & Mak, 2012), no previous studies have focused solely on investigating consumers’ sentiments towards major worldwide brands such as IBM, Nokia and DHL. In this study we aim to fill this void. We believe that by investigating brans’ polarity the study adds depth to the knowledge base on text mining. By using both a qualitative and quantitative methodology to analyze brand comments, this study also adds breadth to the debate over brand quality as perceived by consumers. Finally, by focusing solely on online texts, rather than on traditional offline data, this study enriches the knowledge base of this underrepresented area.

$$en!!