Un incentivo principal para la utilización de la minería de opiniones (OM) en las redes sociales es la imposibilidad de analizar manualmente millones de opiniones. Sin embargo, aplicar la OM para la toma de decisiones requiere imitar el razonamiento del cerebro humano para obtener resultados más pragmáticos. Analizar las opiniones en inteligencia similar a la humana es vital para evitar resultados engañosos. Esto ocurre cuando el proceso puede excogitar adecuadamente la influencia social y la incertidumbre ambiental. En este estudio, se propone un modelo de OM para Twitter para manejar el perspectivismo y la ambigüedad de opinión. Para el perspectivismo, se realiza el análisis de redes sociales (SNA). donde los usuarios se clasifican y luego se ponderan utilizando la herramienta UCINET y las redes neuronales. Se utiliza un clasificador de incertidumbre para integrar los niveles de influencia de los usuarios con las puntuaciones de polaridad de sus textos, proporcionando una nueva puntuación de polaridad que puede reflejar el razonamiento de opiniones del mundo real. Las puntuaciones de polaridad necesarias para la integración se realizan utilizando el recurso de léxico TextBlob. En el modelo propuesto, se prueban tres clasificadores de incertidumbre: lógica difusa tipo 1 (T1-FL), lógica difusa tipo 2 (T2-FL) y lógica neutrosófica (NL). Un análisis comparativo de los métodos muestra la capacidad de NL para hacer frente a la incertidumbre existente en el modelo propuesto. los datos con mayor precisión, lo que demuestra el beneficio de NL en la mejora del poder de OM en las redes sociales.

L'une des principales incitations à l'utilisation de la fouille d'opinions (MO) dans les médias sociaux est l'impossibilité d'analyser manuellement des millions d'opinions. Cependant, l'application de la MO à la prise de décision nécessite d'imiter le raisonnement du cerveau humain pour obtenir des résultats plus pragmatiques. L'analyse des opinions dans l'intelligence de type humain est essentielle pour éviter les résultats trompeurs. Cela se produit lorsque le processus peut excogérer correctement l'influence sociale et l'incertitude environnementale. Dans cette étude, un modèle de MO pour Twitter est proposé pour gérer le positivisme et l'ambiguïté des opinions. Pour le positivisme, une analyse des réseaux sociaux (SCN) est menée, où les utilisateurs sont classés puis pondérés à l'aide de l'outil UCINET et des réseaux neuronaux. Un classificateur d'incertitude est utilisé pour intégrer les niveaux d'influence des utilisateurs aux scores de polarité de leurs textes, fournissant un nouveau score de polarité qui peut refléter le raisonnement réel des opinions. Les scores de polarité nécessaires à l'intégration sont effectués à l'aide de la ressource de lexique TextBlob. Dans le modèle proposé, trois classificateurs d'incertitude sont testés : la logique floue de type 1 (T1-FL), la logique floue de type 2 (T2-FL) et la logique neutrosophique (NL). Une analyse comparative des méthodes montre la capacité de NL à traiter l'incertitude existant dans les données avec plus de précision, prouvant l'avantage de NL dans l'amélioration de la puissance de OM dans les médias sociaux.

One main incentive for the utilization of opinion mining (OM) in social media is the impossibility of manually analyzing millions of opinions.However, applying OM for decision-making requires imitating human brain reasoning for more pragmatic results.Analyzing opinions in human-like intelligence is vital for avoiding misleading results.This occurs when the process can properly excogitate social influence and environmental uncertainty.In this study, an OM model for Twitter is proposed to handle perspectivism and opinion ambiguity.For perspectivism, social network analysis (SNA) is conducted, where users are ranked and then weighted using the UCINET tool and neural networks.An uncertainty classifier is used to integrate users' influence levels with the polarity scores of their texts, providing a new polarity score that can reflect the real-world reasoning of opinions.Polarity scores needed for integration is done using the lexicon resource TextBlob.In the proposed model, three uncertainty classifiers are tested: type1 fuzzy logic (T1-FL), type2 fuzzy logic (T2-FL), and neutrosophic logic (NL).A comparative analysis of the methods shows the ability of NL to deal with the uncertainty existing in the data more accurately, proving the benefit of NL in improving the power of OM in social media.

أحد الحوافز الرئيسية لاستخدام استخراج الرأي (OM) في وسائل التواصل الاجتماعي هو استحالة التحليل اليدوي لملايين الآراء. ومع ذلك، فإن تطبيق OM لصنع القرار يتطلب تقليد تفكير الدماغ البشري للحصول على نتائج أكثر واقعية. يعد تحليل الآراء في الذكاء الشبيه بالإنسان أمرًا حيويًا لتجنب النتائج المضللة. يحدث هذا عندما يمكن للعملية استبعاد التأثير الاجتماعي وعدم اليقين البيئي بشكل صحيح. في هذه الدراسة، يُقترح نموذج OM لتويتر للتعامل مع المنظورية وغموض الرأي. بالنسبة للمنظورية، يتم إجراء تحليل الشبكة الاجتماعية (SNA)، حيث يتم تصنيف المستخدمين ثم ترجيحهم باستخدام أداة UCINET والشبكات العصبية. يتم استخدام مصنف عدم اليقين لدمج مستويات تأثير المستخدمين مع درجات قطبية نصوصهم، مما يوفر درجة قطبية جديدة يمكن أن تعكس الاستدلال الواقعي للآراء. يتم إجراء درجات القطبية اللازمة للتكامل باستخدام مورد المعجم TextBlob. في النموذج المقترح، يتم اختبار ثلاثة مصنفات لعدم اليقين: المنطق الغامض من النوع 1 (T1 - FL)، والمنطق الغامض من النوع 2 (T2 - FL)، والمنطق النيوتروسوفيكي (NL). يظهر التحليل المقارن للطرق قدرة NL على التعامل مع عدم اليقين الموجود في البيانات بشكل أكثر دقة، مما يثبت فائدة NL في تحسين قوة OM في وسائل التواصل الاجتماعي.