تحلیل ادراکات کاربران درباره خرید تلفن همراه در سایت دیجی کالا

بخشی زاده برج، ک.، حاجی جعفر، ع.، و نصیری، ح. (1397). ﺗﺮﺳﻴﻢ ﻧﻘﺸﺔ ذﻫﻨﻲ ﻣﺸﺘﺮﻳﺎن ﻓﺮوﺷﮕﺎه اﻳﻨﺘﺮﻧﺘﻲ دﻳﺠﻲ ﻛﺎﻻ ﺑﺎ اﺳﺘﻔﺎده از ﺗﻜﻨﻴﻚ اﺳﺘﺨﺮاج اﺳﺘﻌﺎره‌ای زالتمن (زیمت). مدیریت بازرگانی، 4972.

پیکری، ن.، یعقوبی، س.، و طاهری، ح. (1394). تحلیل احساسات در شبکه اجتماعی توییتر با تکنیک متن کاوی. کنفرانس بین المللی وب پژوهی. تهران: دانشگاه علم و فرهنگ.

حاج سید جوادی، ش.، و جلالی ، م. (1394). ارائه روشی کارا برای تجزیه و تحلیل احساسات توییت براساس ترکیب روش های یادگیری ماشین و شباهت معنایی. دومین کنگره بین المللی فن آوری.

خدیور، آ.، و عباسی، ف. (1398). متن کاوی با تمرکز بر تحلیل احساسات. تهران: نگاه دانش.

زمانی، م.، و سرخپور، ب. (1393). داده کاوی متون فارسی با نگرش مدیریت دانش. هفتمین کنفرانس ملی و اولین کنفرانس بین المللی مدیریت دانش. تهران.

صنیعی آباده، م.، و محمودی، س. (1394). داده کاوی کاربردی. تهران: نیاز دانش.

عباسی، ف.، سهرابی، ب.، مانیان، ا.، و خدیور، آ. (1396). ارائه مدلی جهت دسته بندی احساسات خریداران کتاب با استفاده از رویکرد ترکیبی. مطالعات مدیریت کسب و کار هوشمند، 94-65.

عبدی قویدل، ه.، وزیر نژاد، ب.، و بحرانی، م. (1391). برچسب زنی موضوعی متون فارسی. چهارمین کنفرانس فناوری اطلاعات و دانش. بابل.

لطفی آذری داریان، س.، و جاویدان، ر. (1395). استفاده از روشهای دادهکاوی به منظور تسهیل جستجو در موتورهای جستجوگر متنی. بیست و چهارمین کنفرانس برق ایران، (ص. 2817-2809). شیراز.

نجف زاده، م.، راحتی قوچانی، س.، و قائمی، ر. (1397). یک چارچوب نظارتی مبتنی بر لغت نامه وفقی خودساخت جهت تحلیل نظرات فارسی. پردازش علائم و داده ها، 101- 89.

الهی، ش.، قدس الهی، ا.، و ناجی، ح. (1393). ارائه مدل ترکیبی شبکه های عصبی با بهره گیری از یادگیری جمعی به منظور ارزیابی ریسک اعتباری. انجمن فناوری اطلاعات و ارتباطات ایران، 28-11.

Abdmanaf, S., Mustapha, N., Sulaiman, M., Azura Husin, N., Zainuddin, M., & Shafri, H. (2017). Majority Voting of Ensemble Classifiers to Improve Shoreline Extraction of Medium Resolution Satellite Images. Journal of Theoretical and Applied Information Technology, pp: 4394-4405.

Bhatt, A., Patel, A., Chheda, H., & Gawande, K. (2015). Amazon Review Classification and Sentiment Analysis. International Journal of Computer Science and Information Technologies, pp: 5107-5110.

Cambria , E., Havasi, C., & Hussain, A. (2012). SenticNet 2: A semantic and affective resource for opinion mining and sentiment analysis. Association for the Advancement of Artificial, pp:202-207.

Chakraborty , R. (2013). Domain Keyword Extraction Technique: A New Weighting Method Based on Frequency Analysis. Computer Science & Information Technology, pp: 109-118.

Dietterich, T. (2000). Ensemble methods in machine learning. Berlin, Heidelberg: Springer.

Fang, X., & Zhan, u. (2015). Sentiment analysis using product review data. Journal of Big Data, 2(5), pp:1-14.

Fawcett, T. (2003). ROC Graphs: Notes and Practical Considerations for Data Mining Researchers. Intelligent Enterprise Technologies Laboratory.

Filho, P., & Pardo, T. (2013). NILC USP: A Hybrid System for Sentiment Analysis in Twitter Messages. Second Joint Conference on Lexical and Computational Semantics (*SEM)) pp: 568-572) .Association for Computational Linguistics.

Internet World Stats. (2019). Internet World Stats Usage and Population Statics. https://www.internetworldstats.com/top20.htm

Kannan, S., & Gurusamy, V. (2014). Preprocessing Techniques for Text Mining.

Liang, T.-P., Li, X., Yang, C.-T., & Wang, M. (2015). What in Consumer Reviews Affects the Sales of Mobile Apps: A Multifacet Sentiment Analysis Approach. International Journal of Electronic Commerce, pp:226-260.

Liu, B. (2012). Sentiment Analysis and Opinion Mining (Synthesis Lectures on Human Language Technologies). Williston: Morgan & Claypool Publishers.

Liu, B. (2015). Sentiment analysis: Mining opinions, sentiments, and emotions. Cambridge University Press.

Mitchell, T. (2015). Generative and Discriminative Clasifiers: Naive bayes and logestic regression. T. Mitchell, Machine Learning.

Murugavalli, S., Bagirathan, U., Saiprassanth, R., & Arvindkumar, S. (2017). Feedback analysis using Sentiment Analysis for E-commerce. International Journal of Latest Engineering Research and Applications (IJLERA), pp: 84-90.

Pandey, A., Rajpoor, D., & Saraswat, M. (2017). Twitter sentiment analysis using hybrid cuckoo search method. Information Processing and Management, pp:764-769.

Popescu, M.-C., Balas, V., Perescu-Popescu, L., & Mastorakis, N. (2009). Multilayer Perceptron and Neural Networks. WSEAS Transactions on Circuits and Systems, 579-588.

Raghavan, V., & Gwang, J. (1989). A Critical Investigation of Recall and Precision as Measures of Retrieval System Performance. ACM Transactions on Information Systems, pp: 206-229.

Schonlau, M., & Guenther, N. (2016). Text Mining Using N-Grams. SSRN Electronic Journal.

Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing and Management, pp:427-437.

Suen, C., & Lam, L. (2000). Multiple Classifier Combination Methodologies. MCS 2000, LNCS 1857, 52-66.

Vidya, N., Fanany, M., & Budi, I. (2015). Twitter Sentiment to Analyze Net Brand Reputation of Mobile Phone Providers. Procedia Computer Science, pp:519-526.

Vijayarani, S., Ilamathi, M., & Nithya, M. (2015). Preprocessing Techniques for Text Mining - An Overview. International Journal of Computer Science & Communication Networks, pp: 7-16.

Wang, Z. (2017). The Evaluation of Ensemble Sentiment Classification Approach on Airline Services Using Twitter. Dublin: Dublin Institute of Technology.

Zhang, L., Hua, K., Wang, H., Qian, G., & Zhang, L. (2014). Sentiment Analysis on Reviews of Mobile Users. Procedia Computer Science, pp:458-465.

Zhang, Y., Ren, W., Zhu, T., & Faith, E. (2019). MoSa: A Modeling and Sentiment Analysis System for Mobile Application Big Data. Symmetry.

Zhao , L., Huang, M., Yao, Z., Su, R., Jiang, Y., & Zhu, X. (2016). Semi-Supervised Multinomial Naive Bayes for Text Classification by Leveraging Word-Level Statistical Constraint. Proceeding of the Thirtieth AAAI Conference on Artifical Intelligence, pp: 2877-2883.