000			05115namaa22004451i 4500
003			EG-GICUC
005			20251101141614.0
008			251101s2024 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a658.802
092			_a658.802 _221
097			_aM.Sc
099			_aCai01.18.07.M.Sc.2024.Al.N
100	0		_aAliaa Atef Abd Elsamea Rohaem, _epreparation.
245	1	0	_aNegation handling in sentiment analysis of customer’s reviews / _cby Aliaa Atef Abd Elsamea Rohaem ; Supervision Prof. Dr. Nagy Ramadan, Dr. Nesrine Ali, Dr. Abdelmoneim Helmy.
246	1	5	_aمعالجة النفي في تحليل المعاني في مراجعات العملاء
264		0	_c2024.
300			_a126 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2024.
504			_aBibliography: pages 104-115.
520		3	_aSentiment analysis (SA) has become an increasingly popular research area; researchers can obtain information about public opinion by analysing data and automatically classifying their sentiment polarity using natural language processing (NLP). The influence of negation on word scope and the inability to handle linguistic features is an essential task in SA. In this study, we firstly tackle the challenge of determining the polarity of a sentence while identifying the scope of negation. Secondly, we suggest an approach to dealing with negations based on linguistic features that determine the impact of various types of negation. The data imbalance problem was overcomed using SMOTE, and ROC curve analysis was also used to assess the performance of the current work. The outcomes of NLP, machine learning (ML), and hybrid approaches were compared; the hybrid approach excelled in detecting negative sentences. By comparing several algorithms, Random Forest (RF) performedbest, followed by support vector machines, Naive Bayes, and K-Nearest Neighbors. The RF algorithm achievedan AVG precision of 89% in electronics, 87% in toys, and 85% in the camera dataset. Additionally, the AUC curves for the negative class reached 89% in both electronics and toys, while in the camera dataset, it reached 90%.
520		3	_aأصبح تحليل المشاعر(SA) مجالًا بحثيًاشائعًا بشكل متزايد، أصبح الباحثون قادرين علي الحصول علي المعلومات حول الرأي العام وذلك بتحليل البيانات والتصنيفالتلقائي لأستقطابية مشاعرهم بأستخدام معالجة اللغة الطبيعية (NLP) . يُعد تأثيرالنفي علي نطاق الكلمات وعدم القدرة علي التعامل مع السمات اللغوية مهمة أساسية لتحليل المشاعر. في هذة الدراسة، نتناول أولآ، التحدي المتمثل في تحديد قطبية الجملة مع تحديد نطاق النفي.ثانيآ، نقترح نهجآ للتعامل مع النفي يعتمد علي السمات اللغوية التي تحدد تأثير أنواع النفي المختلفة.تم التغلب علي مشكلة عدم توازن البيانات بأستخدام SMOTE، كما تم أستخدام تحليل منحني ROC لتقييم أداء العمل الحالي. وتمت مقارنة نتائج NLP، والتعلم الألي(ML)، والنهج الهجين، وقد تفوق النهج الهجين في أكتشاف الجمل السلبية. من خلال مقارنة العديد من الخوارزميات،كانتRandom Forest (RF)هيالأفضلأداء، يليها Support Vector Machines (SVM)، Naive Bayes (NB) ، K-Nearest Neighbors (KNN). حققت خوارزمية RF متوسط precision 89 %في الإلكترونيات،87% في الألعاب، 85% في مجموعة بيانات الكاميرا. بالإضافة إلي ذالك، بلغت منحنيات AUC للفئة السلبية 89% في كلآ من الإلكترونيات والألعاب، بينما بلغت 90% في مجموعة بيانات الكاميرا.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aData processing
650		0	_aمعالجة البيانات
653		1	_aSentiment Analysis (SA) _aNegation Scoping (NS) _aMachine Learning (ML) _aNatural Language Processing (NLP) _aSynthetic Minority Oversampling Technique(SMOTE) _aReceiver Operating Characteristic (ROC)
700	0		_aNagy Ramadan _ethesis advisor.
700	0		_aNesrine Ali _ethesis advisor.
700	0		_aAbdelmoneim Helmy _ethesis advisor.
900			_b01-01-2024 _cNagy Ramadan _cNesrine Ali _cAbdelmoneim Helmy _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Information Systems and Technology
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c175314