کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6948403 | 1451039 | 2018 | 41 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Using contextual features and multi-view ensemble learning in product defect identification from online discussion forums
ترجمه فارسی عنوان
استفاده از ویژگی های متنی و یادگیری گروه چندرسانه ای در شناسایی نقص محصول از انجمن های گفتگو آنلاین
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ویژگی های متنی، یادگیری گروهی چندگانه، شناسایی نقص محصول، رسانه های اجتماعی،
ترجمه چکیده
به عنوان رسانه های اجتماعی به طور مداوم به دست آوردن محبوبیت بیشتر، آنها تبدیل به یک منبع مهم برای تولید کنندگان برای جمع آوری اطلاعات مربوط به نقص در محصولات خود را از مصرف کنندگان است. محققان شروع به توسعه مدل های خودکار برای شناسایی معایب نقص محصول از رسانه های اجتماعی، مانند انجمن های آنلاین بحث و گفتگو. در این مقاله، یک روش جدید برای شناسایی نقص محصول از انجمن های آنلاین پیشنهاد می کنیم، که در دو نکته در مطالعات قبلی، یعنی استفاده ناکافی از اطلاعات موجود در پاسخ ها و استفاده ساده از روش های استاندارد طبقه بندی استاندارد ارائه شده است. روش ما شامل ویژگی های متنی مشتق شده از پاسخ ها و استفاده از یک روش یادگیری گروهی چندبعدی است که به طور خاص به مسئله در دست طراحی شده است. مطالعه موردی در صنعت خودرو نشان می دهد که آب و برق هر دو نوآوری در روش ما.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
سیستم های اطلاعاتی
چکیده انگلیسی
As social media are continually gaining more popularity, they have become an important source for manufacturers to collect information related to defects on their products from consumers. Researchers have started to develop automated models to identify mentions of product defects from social media, such as online discussion forums. In this paper, we propose a novel method for product defect identification from online forums, addressing two inadequacies in previous studies, namely, the inadequate use of information contained in replies and the straightforward use of standard single classifier methods. Our method incorporates contextual features derived from replies and uses a multi-view ensemble learning method specifically tailored to the problem on hand. A case study in the automotive industry demonstrates the utilities of both novelties in our method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Decision Support Systems - Volume 105, January 2018, Pages 1-12
Journal: Decision Support Systems - Volume 105, January 2018, Pages 1-12
نویسندگان
Yao Liu, Cuiqing Jiang, Huimin Zhao,