Accenture Twitter profila sentimentu analīze: inženiertehniskā pieeja marketinga ieskatiem

Abstract

Šī bakalaura darba mērķis ir izstrādāt atkārtoti lietojamu programmu tvītu sentimenta analīzei, izmantojot datu skrāpēšanas un mašīnmācīšanās metodes. Pētījums ietver attiecīgās literatūras analīzi un Twitter datu vākšanu. Savāktie dati tiek iepriekš apstrādāti un no tiem tiek izņemta nebūtiska informācija. Sentimenta analīze tiek veikta, izmantojot tādas metodes kā dabiskās valodas apstrāde un Naive Bayes, lai klasificētu katra tvīta noskaņojuma polaritāti. Pētījumā tiek analizētas tendences, kā cilvēki reaģē uz tēmām, kuras Accenture skar Twitter, un, pamatojoties uz iegūtajiem rezultātiem, tiek piedāvāti mārketinga ieskati un programma, kas spēj prognozēt jauna tvīta polaritāti.

The aim of this bachelor thesis is to develop a reusable application for tweet sentiment analysis using data scraping and machine learning techniques. The research includes analysis of relevant literature and collection of Twitter data. The collected data is pre-processed and irrelevant information is removed. Sentiment analysis is performed using techniques such as natural language processing and Naive Bayes to classify the sentiment polarity of each tweet. The study analyses trends in how people react to the topics Accenture covers on Twitter, offers marketing insights based on the results and program which is able to predict a sentiment of a new tweet.