Text Mining in Practice with R

رویکردی مطمئن و مقرون به صرفه برای استخراج اطلاعات تجاری بی‌ارزش از همه منابع متن

کاوش بینش‌های تجاری عملی از داده‌ها، کاری پیچیده است، و زمانی که تمرکز بر اسناد و سایر اطلاعات متنی باشد، این پیچیدگی با مرتبه‌ای بزرگ‌تر می‌شود. این کتاب رویکردی عملی و عملی دارد تا روشی قابل اعتماد و مقرون‌به‌صرفه را برای استخراج ثروت‌های گسترده و ناگفته‌ای که در تمام اشکال متن مدفون شده‌اند با استفاده از R. 

نویسنده تد کوارتلر به وضوح تمام ابزارهای مورد نیاز برای انجام متن کاوی را توصیف می کند و به شما نشان می دهد که چگونه از آنها برای شناسایی برنامه های کاربردی تجاری استفاده کنید تا تلاش های خلاقانه متن کاوی خود را بلافاصله شروع کنید. او با کمک مثال‌های واقعی و مطالعات موردی متعدد از صنایع مختلف از مراقبت‌های بهداشتی گرفته تا سرگرمی تا ارتباطات راه دور، نحوه اجرای مجموعه‌ای از فرآیندها و عملکردهای متن کاوی، از جمله امتیازدهی احساسات، مدل‌سازی موضوع، مدل‌سازی پیش‌بینی‌کننده، استخراج طعمه کلیک از سرفصل‌ها را نشان می‌دهد. ، و بیشتر. شما یاد خواهید گرفت که چگونه:

• پست‌های رسانه‌های اجتماعی قابل اجرا را برای بهبود خدمات مشتری شناسایی کنید  
• از متن کاوی در منابع انسانی برای شناسایی برداشت های نامزد از یک سازمان، تطبیق شرح شغل با رزومه و موارد دیگر استفاده کنید 
• اطلاعات گرانبها را تقریباً از تمام منابع دیجیتال و چاپی استخراج کنید، از جمله رسانه های خبری، سایت های رسانه های اجتماعی، فایل های PDF و حتی فایل های تصویری JPEG و GIF
• متن کاوی را جزء جدایی ناپذیر بازاریابی به منظور شناسایی مبشرهای برند، تأثیر بر مدل سازی تمایل مشتری و موارد دیگر قرار دهید

تلاش‌های داده‌کاوی اکثر شرکت‌ها تقریباً به طور انحصاری بر روی داده‌های عددی و مقوله‌ای متمرکز است، در حالی که متن یک منبع تا حد زیادی استفاده نشده باقی می‌ماند. به خصوص در یک بازار جهانی که در آن اولین کسی که نیازها و انتظارات مشتری را شناسایی کرده و به آنها پاسخ می دهد، مزیت رقابتی بی نظیری را ایجاد می کند، متن منبعی از ارزش بالقوه بسیار زیاد است. متأسفانه، تاکنون هیچ فناوری قابل اعتماد و مقرون به صرفه ای برای استخراج بینش های تحلیلی از حجم عظیم و روزافزون متن موجود به صورت آنلاین و سایر منابع دیجیتالی و همچنین از اسناد کاغذی وجود ندارد.

A reliable, cost-effective approach to extracting priceless business information from all sources of text

Excavating actionable business insights from data is a complex undertaking, and that complexity is magnified by an order of magnitude when the focus is on documents and other text information. This book takes a practical, hands-on approach to teaching you a reliable, cost-effective approach to mining the vast, untold riches buried within all forms of text using R. 

Author Ted Kwartler clearly describes all of the tools needed to perform text mining and shows you how to use them to identify practical business applications to get your creative text mining efforts started right away. With the help of numerous real-world examples and case studies from industries ranging from healthcare to entertainment to telecommunications, he demonstrates how to execute an array of text mining processes and functions, including sentiment scoring, topic modelling, predictive modelling, extracting clickbait from headlines, and more. You’ll learn how to:

• Identify actionable social media posts to improve customer service  
• Use text mining in HR to identify candidate perceptions of an organisation, match job descriptions with resumes, and more 
• Extract priceless information from virtually all digital and print sources, including the news media, social media sites, PDFs, and even JPEG and GIF image files
• Make text mining an integral component of marketing in order to identify brand evangelists, impact customer propensity modelling, and much more

Most companies’ data mining efforts focus almost exclusively on numerical and categorical data, while text remains a largely untapped resource. Especially in a global marketplace where being first to identify and respond to customer needs and expectations imparts an unbeatable competitive advantage, text represents a source of immense potential value. Unfortunately, there is no reliable, cost-effective technology for extracting analytical insights from the huge and ever-growing volume of text available online and other digital sources, as well as from paper documents—until now.