مدل‌سازی و پیش‌بینی قصد خرید تلفن همراه کاربران توییتر بر مبنای تحلیل احساسات

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد مدیریت کسب‌وکار، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا (س)، تهران، ایران

2 دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا (س)، تهران، ایران

3 استادیار، دانشکده فناوری اطلاعات، دانشگاه مهر البرز، تهران، ایران

چکیده

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.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling and predicting mobile phone purchase intention of Twitter users based on sentiment analysis

نویسندگان [English]

  • Mina Noroozi 1
  • ameneh khadivar 2
  • Fatemeh Abbasi 3
1 Master of Business Administration, Faculty of Social and Economic Sciences, Al-Zahra University (S), Tehran, Iran
2 Associate Professor, Department of Management, Faculty of Social and Economic Sciences, Al-Zahra University (S), Tehran, Iran
3 Assistant Professor, Faculty of Information Technology, Mehr Alborz University, Tehran, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • "Deep Learning"
  • "Convolutional neural networks (CNNs) and Long short-term memory networks (LSTMs)"
  • "Twitter"
  • "Sentiment Analysis"
  • "purchase Intent "

مراجع

[1]     Alikhani, Y., khadivar, A., & abbasi, F. (2022). Assessing the public perception of the fifth generation of mobile communication (5G) by sentiment analysis of Twitter users. Modern Research in Decision Making, 7(2), 111-135.
[2]    Zarei, A., feiz, D., Taheri, G. (2021). Providing Social Market Intelligence Framework based on web 2.0 Using Text-Mining Technique on Social Media Websites (Case Study: Competitive Analysis between Samsung and Emersun Brands). Management Research in Iran, 24(4), 98-125.
[3]    Khani, M., saghaei, A., & Heidarzadeh Hanzaee, K. (2019). Modeling New Product Launch Strategies within agent-based simulation. Modern Research in Decision Making, 4(4), 176-196.
[4]    T. Le Luong, T. H. Tran, Q. T. Truong, T. M. N. Truong, T. T. Phi, and X. H. Phan, “Learning to filter user explicit intents in online vietnamese social media texts,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2016, vol. 9622, pp. 13–24, doi: 10.1007/978-3-662-49390-8_2.
[5]    D. Gaikar and B. Marakarkandy, “Product Sales Prediction Based on Sentiment Analysis Using Twitter Data,” vol. 6, no. 3, pp. 2303–2313, 2015.
[6]    S. Kumar, A. K. Kar, and P. V. Ilavarasan, “Applications of text mining in services management: A systematic literature review,” Int. J. Inf. Manag. Data Insights, vol. 1, no. 1, p. 100008, 2021, doi: 10.1016/j.jjimei.2021.100008.
[7]    Afsharizadeh jafari, O., Maleki MinBashRazgah, M., Zarei, A., & Shafiei Nikabadi, M. (2021). Designing a ranking system for purchased products based on the consumer’s and expert’s opinions using an aspect-based sentiment analysis approach. Modern Research in Decision Making, 6(2), 20-47. [8]    B. Hollerit, M. Kröll, and M. Strohmaier, “Towards linking buyers and sellers,” no. May, pp. 629–632, 2013, doi: 10.1145/2487788.2488009.
[9]    J. Guerreiro and P. Rita, “How to predict explicit recommendations in online reviews using text mining and sentiment analysis,” J. Hosp. Tour. Manag., vol. 43, no. November 2018, pp. 269–272, 2020, doi: 10.1016/j.jhtm.2019.07.001.
[10]    A. B. Goldberg, N. Fillmore, D. Andrzejewski, Z. Xu, B. Gibson, and X. Zhu, “May all your wishes come true: A study of wishes and how to recognize them,” NAACL HLT 2009 - Hum. Lang. Technol. 2009 Annu. Conf. North Am. Chapter Assoc. Comput. Linguist. Proc. Conf., no. December 2013, pp. 263–271, 2009.
[11]    Z. Chen, B. Liu, M. Hsu, M. Castellanos, and R. Ghosh, “Identifying intention posts in discussion forums,” NAACL HLT 2013 - 2013 Conf. North Am. Chapter Assoc. Comput. Linguist. Hum. Lang. Technol. Proc. Main Conf., no. January, pp. 1041–1050, 2013.
[12]    M. Korpusik, S. Sakaki, F. Chen, and Y. Y. Chen, “Recurrent neural networks for customer purchase prediction on Twitter,” CEUR Workshop Proc., vol. 1673, pp. 47–50, 2016, doi: 10.475/123.
[13]    A. Khattak, A. Habib, M. Z. Asghar, F. Subhan, I. Razzak, and A. Habib, “Applying deep neural networks for user intention identification,” Soft Comput., vol. 25, no. 3, pp. 2191–2220, 2021, doi: 10.1007/s00500-020-05290-z.
[14]    A. Habib, N. Jelani, A. M. Khattak, S. Akbar, and M. Z. Asghar, “Exploiting Deep Neural Networks for Intention Mining,” in ACM International Conference Proceeding Series, 2020, pp. 26–30, doi: 10.1145/3384544.3384607.
[15]    Zolfaghar, P., khadivar, A., abbasi, F. (2022). Investigating the effect of perceived risk by social network users on the price of Bitcoin using sentiment analysis technique and NARX neural network. Management Research in Iran, 26(2), 18-41.
[16]    M. Allahyari et al., “A Brief Survey of Text Mining: Classification, Clustering and Extraction Techniques,” 2017, [Online]. Available: http://arxiv.org/abs/1707.02919.
[17]    A. Ibrahim, “Forecasting the early market movement in bitcoin using twitter’s sentiment analysis: An ensemble-based prediction model,” 2021 IEEE Int. IOT, Electron. Mechatronics Conf. IEMTRONICS 2021 - Proc., 2021, doi: 10.1109/IEMTRONICS52119.2021.9422647.
[18]    Q. Han, J. Guo, and H. Schütze, “CodeX: Combining an SVM classifier and character N-gram language models for sentiment analysis on twitter text,” *SEM 2013 - 2nd Jt. Conf. Lex. Comput. Semant., vol. 2, no. SemEval, pp. 520–524, 2013.
[19]    B. Xue, M. Zhang, W. N. Browne, and X. Yao, “A Survey on Evolutionary Computation Approaches to Feature Selection,” IEEE Trans. Evol. Comput., vol. 20, no. 4, pp. 606–626, Aug. 2016, doi: 10.1109/TEVC.2015.2504420.
[20]    J. Sundström, “Sentiment analysis of Swedish reviews and transfer learning using Convolutional Neural Networks,” undefined, 2018.
 
پژوهش های نوین در تصمیم گیری
دوره 8، شماره 1
اردیبهشت 1402
صفحه 91-112

فایل ها

هم رسانی

ارجاع به این مقاله

آمار