7. CONCLUSIONS AND FUTURE WORK In t

7. CONCLUSIONS AND FUTURE WORK
In this work we approach the novel problems of characterizing sentiment evolution in a demographic group and identifying correlated groups, which address the large-scale sentiment aggregation. We design efficient algorithms for sentiment aggregation based on a careful indexing of time and demographics into hierarchies and demonstrate that our problems can be solved effectively on a large scale using clever pruning, top-k and compression methods.
Our approach allows observing sentiment behavior at a much finer level of detail than currently possible, helping to identify cases that are counter-intuitive and can only be observed by processing large amounts of data. Moreover, it enables an unprecedented scale-up of traditional social studies and raises new data analysis opportunities, useful for sociology and marketing researchers.
We outline some interesting problems and extensions of this paper, which we plan to work on. We consider only a disjoint type of relation, although it is possible to expand the notion of relations between groups to any arbitrary path in a demographics lattice, and use it as a filtering argument to our problems. Also we are investigating the case where disjoint groups appear to be the same sets of users due to a strict dependency among attributes. Filtering high correlations between such groups is possible when their sets of users are known and can be done as a preprocessing step. Alternatively, we can compare the volume of sentiments between these groups, which becomes possible since our DTree storage preserves this information.

ผลลัพธ์ (ไทย) 1:

7. สรุปและทำงานในอนาคต ในงานนี้ เราเข้าถึงปัญหานวนิยายของวิวัฒนาการความเชื่อมั่นในกลุ่มประชากรศึกษา และระบุกลุ่มมีความสัมพันธ์ ซึ่งรวมความเชื่อมั่นขนาดใหญ่ เราออกแบบอัลกอริธึมประสิทธิผลสำหรับความเชื่อมั่นรวมคะแนนจากการระมัดระวังการทำดัชนีของเวลาและประชากรเป็นลำดับชั้น และแสดงให้เห็นว่า ปัญหาของเราสามารถแก้ไขได้อย่างมีประสิทธิภาพขนาดใหญ่ใช้ฉลาดตัด ด้าน-k และอัด แนวทางของเราช่วยให้การสังเกตพฤติกรรมความเชื่อมั่นในระดับมาก finer ของรายละเอียดที่มากกว่าในปัจจุบันที่เป็นไปได้ ช่วยในการระบุกรณีที่เคาน์เตอร์ และเท่านั้นจะสังเกตได้ โดยการประมวลผลข้อมูลจำนวนมาก นอกจากนี้ มันช่วยให้มีประวัติการณ์ขนาดสายของการศึกษาสังคมดั้งเดิม และยกข้อมูลวิเคราะห์โอกาสใหม่ สังคมวิทยาและนักวิจัยการตลาด เราเค้าบางปัญหาและส่วนขยายของกระดาษนี้ ซึ่งเราวางแผนการทำงานที่น่าสนใจ เราพิจารณาเฉพาะตัวชนิดของความสัมพันธ์ แม้ว่ามันจะสามารถขยายความคิดของความสัมพันธ์ระหว่างกลุ่มไปเส้นทางใดโดยพลการในตาข่ายข้อมูลประชากร และใช้เป็นอาร์กิวเมนต์ filtering ปัญหาของเรา นอกจากนี้ เรากำลังตรวจสอบกรณีที่ไม่เป็นสมาชิกร่วมกลุ่มจะ เป็นชุดเดียวกันของผู้ใช้เนื่องจากการอ้างอิงที่เข้มงวดในแอตทริบิวต์ กรองสูงความสัมพันธ์ระหว่างกลุ่มดังกล่าวได้เมื่อผู้ใช้ชุดของพวกเขาเป็นที่รู้จัก และสามารถทำได้เป็นขั้นตอนการประมวลผลเบื้องต้น อีกวิธีหนึ่งคือ เราสามารถเปรียบเทียบปริมาณของความรู้สึกระหว่างกลุ่มเหล่านี้ ซึ่งเป็นไปได้เนื่องจากของเรา DTree เก็บรักษาข้อมูลนี้

ผลลัพธ์ (ไทย) 2:

7. ข้อสรุปและการทำงานในอนาคต
ในงานนี้เราเข้าใกล้ปัญหานวนิยายพัฒนาการวิวัฒนาการความเชื่อมั่นในกลุ่มผู้เข้าชมและระบุกลุ่มมีความสัมพันธ์ซึ่งอยู่ที่ความเชื่อมั่นของการรวมขนาดใหญ่ เราออกแบบอัลกอริทึม Fi ประสิทธิภาพ EF สำหรับการรวมความเชื่อมั่นอยู่บนพื้นฐานของการจัดทำดัชนีความระมัดระวังของเวลาและประชากรออกเป็นลำดับชั้นและแสดงให้เห็นว่าปัญหาของเราจะสามารถแก้ไขได้อย่างมีประสิทธิภาพในขนาดใหญ่โดยใช้การตัดแต่งกิ่งฉลาดด้านบน-K และการบีบอัดวิธี.
วิธีการของเราช่วยให้การสังเกตพฤติกรรมความเชื่อมั่นใน มากระดับ Fi เนอร์ของรายละเอียดมากกว่าที่เป็นไปได้ในขณะนี้เพื่อช่วยระบุกรณีที่มีเคาน์เตอร์และสามารถสังเกตได้โดยการประมวลผลข้อมูลจำนวนมาก นอกจากนี้ยังช่วยให้เป็นประวัติการณ์ระดับขึ้นของการศึกษาทางสังคมแบบดั้งเดิมและเพิ่มโอกาสในการวิเคราะห์ข้อมูลที่มีประโยชน์สำหรับสังคมวิทยาและนักวิจัยการตลาด.
เราร่างปัญหาบางอย่างที่น่าสนใจและส่วนขยายของบทความนี้ซึ่งเราวางแผนที่จะทำงานใน เราพิจารณาเฉพาะชนิดเคลื่อนความสัมพันธ์แม้ว่ามันจะเป็นไปได้ที่จะขยายความคิดของความสัมพันธ์ระหว่างกลุ่มไปยังเส้นทางที่กำหนดเองใด ๆ ในตาข่ายประชากรและใช้มันเป็นข้อโต้แย้ง Fi ltering ปัญหาของเรา นอกจากนี้เรากำลังตรวจสอบกรณีที่กลุ่มเคลื่อนดูเหมือนจะเป็นชุดเดียวกันของผู้ใช้เนื่องจากการพึ่งพาเข้มงวดในหมู่แอตทริบิวต์ กรองความสัมพันธ์สูงระหว่างกลุ่มดังกล่าวเป็นไปได้เมื่อชุดของพวกเขาจากผู้ใช้งานเป็นที่รู้จักและสามารถทำได้เป็นขั้นตอน preprocessing หรืออีกวิธีหนึ่งที่เราสามารถเปรียบเทียบปริมาณของความรู้สึกระหว่างกลุ่มเหล่านี้ซึ่งจะเป็นไปได้ตั้งแต่การจัดเก็บ DTree เราจะเก็บรักษาข้อมูลเหล่านี้

ผลลัพธ์ (ไทย) 3:

7 . สรุปงานและอนาคตในงานนี้เราเข้าใกล้ปัญหานวนิยายลักษณะของวิวัฒนาการ ความเชื่อมั่นในกลุ่มประชากร และการระบุความสัมพันธ์กลุ่มซึ่งเรียกความเชื่อมั่นรวมขนาดใหญ่ เราออกแบบหลักสูตร cient ขั้นตอนวิธีสำหรับการถ่ายทอดความรู้สึกตามดัชนีระวังเวลาและประชากรในวรรณะ และแสดงให้เห็นว่า ปัญหาของเราจะได้รับการแก้ไขอย่างมีประสิทธิภาพบนมาตราส่วนใหญ่ใช้ตัดแต่ง ฉลาด top-k และวิธีการบีบอัดวิธีการสังเกตพฤติกรรมของเราให้ความเชื่อมั่นในมากจึงเนอร์ระดับรายละเอียดมากกว่าในปัจจุบันที่เป็นไปได้ ช่วยระบุกรณีที่ง่ายเคาน์เตอร์และสามารถสังเกตได้จากการประมวลผลจำนวนมากของข้อมูล นอกจากนี้ยังช่วยให้ระดับประวัติการณ์ของสังคมดั้งเดิม และเพิ่มโอกาสในการวิเคราะห์ข้อมูลใหม่ที่เป็นประโยชน์สำหรับสังคมและการตลาด / นักวิจัยเราร่างบางสนใจปัญหาและนามสกุลของกระดาษนี้ ซึ่งเราวางแผนที่จะทำงานบน เราพิจารณาเพียงไม่ต่อเนื่องชนิดของความสัมพันธ์ แต่มันเป็นไปได้ที่จะขยายแนวคิดของความสัมพันธ์ระหว่างกลุ่มโดยพลการใด ๆ ในเส้นทางตาข่ายประชากร และใช้มันเป็นจึง ltering โต้แย้งปัญหาของเรา นอกจากนี้ เรากำลังสืบคดีที่ไม่ต่อเนื่องกลุ่มปรากฏเป็นชุดเดียวกันของผู้ใช้เนื่องจากการเข้มงวดการพึ่งพาระหว่างแอตทริบิวต์ การกรองสูงความสัมพันธ์ระหว่างกลุ่มดังกล่าวเป็นไปได้เมื่อพวกเขาตั้งค่าของผู้ใช้ที่เป็นที่รู้จักและสามารถทำได้โดยการเตรียมขั้นตอน อีกวิธีหนึ่งคือ เราสามารถเปรียบเทียบปริมาณของความรู้สึกระหว่างกลุ่มเหล่านี้ ซึ่งจะเป็นไปได้เพราะกระเป๋า dtree ของเรารักษา ข้อมูลนี้