این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
صفحه اصلی
درباره پایگاه
فهرست سامانه ها
الزامات سامانه ها
فهرست سازمانی
تماس با ما
JCR 2016
جستجوی مقالات
جمعه 21 آذر 1404
پژوهش های نوین در تصمیم گیری
، جلد ۸، شماره ۱، صفحات ۹۱-۱۱۲
عنوان فارسی
مدلسازی و پیشبینی قصد خرید تلفن همراه کاربران توییتر بر مبنای تحلیل احساسات
چکیده فارسی مقاله
با ظهور رسانههای اجتماعی مردم ایدهها، تجربیات، نظرات و مقاصد خود را در توییتر، فیسبوک و دیگر پلتفرمهای رسانه اجتماعی به اشتراک میگذارند. تحلیل و بررسی این نظرات در رسانههای اجتماعی اطلاعات سودمندی را در رابطه با بازار، مشتریان و رقبا به سازمانها میدهد. یکی از این اطلاعات، قصد خرید کاربران است که برای استفادههای تجاری مانند بازاریابی هدفمند و شخصیسازی تبلیغات موردتوجه قرار میگیرد. در این پژوهش سیستمی مبنی بر هوش مصنوعی جهت پیشبینی قصد خرید کاربران در رسانه توییتر ارائه شده-است. تحقیق حاضر از لحاظ هدف کاربردی است و جامعه مورد بررسی شامل نظرات کاربران در سایت توییتر می باشد و نمونه مورد بررسی شامل توییت های کاربران در ارتباط با آیفون 13 می باشد. جهت انجام پژوهش 23000 توییت انگلیسی کاربران جمع آوری شد و احساسات آنها با استفاده از روش مبتنی بر واژگان تحلیل شد و نتایج قابل قبولی بادقت 0.81 ارائه شد. نتایج حاصل از تحلیل احساسات نشان دهنده احساسات عمومی مثبت در مورد آیفون 13 است. قصد خرید کاربران توییتر با استفاده از شبکه عصبی عمیق پیچشی حافظه طولانی کوتاهمدت بادقت 0.81 استخراج شد. سپس برای سنجش اثرگذاری احساسات کاربران و ویژگیهای استاتیکی از مدل شبکه عصبی عمیق چندلایه پرسپترون استفاده شد که نتایج حاصل دقت 0.80 را نمایش داد. استفاده از این مدل و پیشبینی قصد خرید به مدیران بازاریابی کمک میکند تا برنامهریزی مناسبی جهت شناسایی مشتریان خود انجام دهند و هزینههای بازاریابی را کاهش دهند.
کلیدواژههای فارسی مقاله
&،quot،یادگیری عمیق&،quot،، &،quot،شبکه عصبی پیچشی حافظه طولانی کوتاهمدت&،quot،، &،quot،توییتر&،quot،، &،quot،تحلیل احساسات&،quot،، &،quot، قصد خرید&،quot،،
عنوان انگلیسی
Modeling and predicting mobile phone purchase intention of Twitter users based on sentiment analysis
چکیده انگلیسی مقاله
With the emergence of social media, people share their ideas, experiences, opinions, and intentions on Twitter, Facebook, and other platforms. Analyzing and reviewing these opinions on social media gives organizations useful information about the market, customers, and competitors, the purchase intention of users, which for commercial can be used such as purposes like targeted marketing and advertising depersonalization. This research aims to provide a system based on artificial intelligence to predict the purchase intention of users on Twitter. To conduct the research, 23,000 English tweets of users were collected and their sentiments were analyzed using the vocabulary-based method, yielding acceptable results with an accuracy of 0.81. The results of sentiment analysis showed a positive public sentiment about the iPhone 13. The purchase intention of Twitter users was extracted using a long-short-term memory deep convolution neural network with an accuracy of 0.81, and then a model for predicting purchase intention was presented using sentiment analysis and features extracted from tweets. To measure the effectiveness of users' emotions and static features, a multi-layer perceptron deep neural network model was used, and the results showed an accuracy of 0.80. Using this model to market managers plan properly to identify their customers and reduce marketing costs.
کلیدواژههای انگلیسی مقاله
&,quot,یادگیری عمیق&,quot,, &,quot,شبکه عصبی پیچشی حافظه طولانی کوتاهمدت&,quot,, &,quot,توییتر&,quot,, &,quot,تحلیل احساسات&,quot,, &,quot, قصد خرید&,quot
نویسندگان مقاله
مینا نوروزی |
کارشناسی ارشد مدیریت کسبوکار، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا (س)، تهران، ایران
آمنه خدیور |
دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا (س)، تهران، ایران
فاطمه عباسی |
استادیار، دانشکده فناوری اطلاعات، دانشگاه مهر البرز، تهران، ایران
نشانی اینترنتی
https://journal.saim.ir/article_706378_376f06e3364192c35dc5e6d70453a5b1.pdf
فایل مقاله
فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده
fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به:
صفحه اول پایگاه
|
نسخه مرتبط
|
نشریه مرتبط
|
فهرست نشریات