Using Ontology to Analyze English Comments on Social Networks

Cover Page

Cite item

Full Text

Abstract

Chatbots have become interesting for many users as technology becomes more and more advanced. The need for information exchange among people through computer systems is increasing daily, raising the preference for using chatbots in most countries. Since Vietnam is such a developing country with a variety of ethnic groups, it requires much attention to the proliferation of social networks and the expansion of the cooperative economy. Regarding social networks, the inappropriate use of words in everyday life has become a significant issue. There are mixed reviews of praise and criticism on social networks; and we try to reduce the negative language use and improve the quality of using social networks language. We aim to meet users’ needs on social networks, promote economic development, and address social issues more effectively. To achieve these goals, in this paper we propose a deep learning technique using ontology knowledge mining to collect and process comments on social networks. This approach aims to enhance the user experience and facilitate the exchange of information among people by mining opinions in comments. Experimental results demonstrate that our method outperforms the conventional approach.

About the authors

N. Viet Hung

East Asia University of Technology

Author for correspondence.
Email: hungnv@eaut.edu.vn
Ky Phu – Ky Anh -

N. Tan

East Asia University of Technology

Email: tan25102000@gmail.com
Trung Dung – Tien Lu -

N. Thi Thuy Nga

East Asia University of Technology

Email: ngantt@eaut.edu.vn
Ta Thanh Oai – Thanh Tri -

L. Huyen Trang

East Asia University of Technology

Email: tranglth@eaut.edu.vn
Phuong Tri – Thi Tran Phung – Dan Phuong -

T. Thuy Hang

East Asia University of Technology

Email: hang42c@gmail.com
Mao Khe – Dong Trieu -

References

  1. Nasir M., Rehmat U., Ahmad I. Social media analysis of customer emotions in pizza industry. The Computer Journal. 2023. vol. 66. no. 7. pp. 1777–1783.
  2. Rehmat U., Javed A., Nasir M., Bashir M. Sentimental analysis of beauty brands on social media. Proc. GS Int. Conf. on Computer Science on Engineering 2020 (GSICCSE 2020). 2020. no. 37.
  3. Chen Y., Wang L. Misleading political advertising fuels incivility online: A social network analysis of 2020 us presidential election campaign video comments on YouTube. Computers in Human Behavior. 2022. vol. 131(37). doi: 10.1016/j.chb.2022.107202.
  4. Nguyen H., Tan N., Quan N., Huong T., Phat H. Building a chat-bot system to analyze opinions of english comments. Informatics and Automation. 2023. vol. 22. no. 2. pp. 289–315.
  5. Fidan M., Gencel N. Supporting the instructional videos with chat-bot and peer feedback mechanisms in online learning: The effects on learning performance and intrinsic motivation. Journal of Educational Computing Research. 2022. vol. 60. no. 7. pp. 1716–1741.
  6. Wu E., Lin C.-H., Ou Y.-Y., Liu C.-Z., Wang W.-K., Chao C.-Y. Advantages and constraints of a hybrid model k-12 e-learning assistant chatbot. Ieee Access. 2020. vol. 8. pp. 77788–77801.
  7. Surani D., Hamidah H. Students perceptions in online class learning during the covid-19 pandemic. International Journal on Advanced Science, Education, and Religion. 2020. vol. 3. no. 3. pp. 83–95.
  8. Suta P., Lan X., Wu B., Mongkolnam P., Chan J. An overview of machine learning in chatbots. International Journal of Mechanical Engineering and Robotics Research. 2020. vol. 9. no. 4. pp. 502–510.
  9. Adamopoulou E., Moussiades L. An overview of chatbot technology. IFIP international conference on artificial intelligence applications and innovations. Springer, 2020. pp. 373–383.
  10. Nguyen T., Ho D., Nguyen N. An ontology-based question answering system for university admissions advising. Intelligent Automation & Soft Computing. 2023. vol. 36. no. 1. pp. 601–616. doi: 10.32604/iasc.2023.032080.
  11. Zahour O., Eddaoui A., Ouchra H., Hourrane O., Benlahmar E. A system for educational and vocational guidance in morocco: Chatbot e-orientation. Procedia Computer Science. 2020. vol. 175. pp. 554–559. DOI: j.procs.2020.07.079.
  12. Hallili A. Toward an ontology-based chatbot endowed with natural language processing and generation. Processing of the 26th european summer school in logic, language & information. 2014. 7 p.
  13. Avila C., Calixto A., Rolim T., Franco W., Venceslau A., Vidal V., Pequeno V., Moura F. Medibot: an ontology-based chatbot for Portuguese speakers drug’s users. International Conference on Enterprise Information Systems. 2019. vol. 1. pp. 25–36.
  14. Muangkammuen P., Intiruk N., Saikaew K. Automated thai-faq chatbot using rnn-lstm. in 2018 22nd International Computer Science and Engineering Conference (ICSEC). IEEE, 2018. pp. 1–4.
  15. Blanc C., Bailly A., Francis E., Guillotin T., Jamal F., Wakim B., Roy P. Flaubert vs. camembert: Understanding patient’s answers by a french medical chatbot. Artificial Intelligence in Medicine. 2022. vol. 127.
  16. Hung N., Loi T., Binh N., Nga N., Huong T., Luu D. Building an online learning model through a dance recognition video based on deep learning. Informatics and Automation. 2024. vol. 23. no. 1. pp. 101–128.
  17. Dhyani M., Kumar R. An intelligent chatbot using deep learning with bidirectional rnn and attention model. Materials today: proceedings. 2021. vol. 34. pp. 817–824.
  18. Hung N., Loi T., Huong N., Hang T., Huong T. Aafndl-an accurate fake information recognition model using deep learning for the vietnamese language. Informatics and Automation. 2023. vol. 22. no. 4. pp. 795–825.
  19. Suganthi S., Ayoobkhan M., Kumar K., Bacanin N., Venkatachalam K., Hubalovsky S., Trojovsky P. Deep learning model for deep fake face recognition and detection. PeerJ Computer Science. 2022. vol. 8. doi: 10.7717/peerj-cs.881.
  20. Rakib A., Rumky E., Ashraf A., Hillas M., Rahman M. Mental healthcare chatbot using sequence-to-sequence learning and bilstm. International Conference on Brain Informatics. Springer, 2021. pp. 378–387.
  21. Palasundram K., Sharef N., Nasharuddin N., Kasmiran K., Azman A. Sequence to sequence model performance for education chatbot. International journal of emerging Technologies in Learning (iJET). 2019. vol. 14. no. 24. pp. 56–68.
  22. Piccini R., Spanakis G. Exploring the context of recurrent neural network based conversational agents. arXiv preprint arXiv:1901.11462. 2019.
  23. Sun R., Chen B., Zhou Q., Li Y., Cao Y., Zheng H.-T. A non-hierarchical attention network with modality dropout for textual response generation in multimodal dialogue systems. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2022. pp. 6582–6586.
  24. Karna M., Juliet D., Joy R. Deep learning-based text emotion recognition for chatbot applications. 4th International Conference on Trends in Electronics and Informatics (ICOEI) (48184). IEEE, 2020. pp. 988–993.
  25. Sperli G. A cultural heritage framework using a deep learning-based chatbot for supporting tourist journey. Expert Systems with Applications. 2021. vol. 183. doi: 10.1016/j.eswa.2021.115277.
  26. Hitzler P., Krotzsch M., Parsia B., Patel-Schneider P., Rudolph S., et al. Owl 2 web ontology language primer. W3C recommendation. 2009. vol. 27. no. 1.
  27. Antoniou G., Groth P., Van Harmelen F., Hoekstra R. A semantic web primer 3rd ed. The MIT Press, 2012. 288 p.
  28. Casillo M., De Santo M., Mosca R., Santaniello D. An ontology-based chatbot to enhance experiential learning in a cultural heritage scenario. Frontiers in Artificial Intelligence. 2022. vol. 5.
  29. Chi Y.-L., Sung H.-Y. Building the knowledge base of folk beliefs based on semantic web technology. International Conference on Human-Computer Interaction. Springer Nature Switzerland, 2023. pp. 172–182.
  30. Owl web ontology language. Available: https://www.w3.org/TR/owl-features/ (accessed: 2023-08-15).
  31. Aceta C., Fernandez I., Soroa A. Todo: A core ontology for task-oriented dialogue systems in industry 4.0. Further with Knowledge Graphs. IOS Press, 2021. pp. 1–15.
  32. Bouziane A., Bouchiha D., Doumi N., Malki M. Question answering systems: survey and trends. Procedia Computer Science. 2015. vol. 73. pp. 366–375.
  33. Budler L.C., Gosak L., Stiglic G. Review of artificial intelligence-based question-answering systems in healthcare. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2023. vol. 13. no. 2.
  34. Majid M., Hayat M., Khan F., Ahmad M., Jhanjhi N., Bhuiyan M., Masud M., AlZain M. Ontology-based system for educational program counseling. Intelligent Automation and Soft Computing. 2021. vol. 30. no. 1. pp. 373–386.
  35. Kasthuri E., Balaji S. A chatbot for changing lifestyle in education. Proceedings of the Third International Conference on Intelligent Communication Technologies and Virtual Mobile Networks (ICICV). IEEE, 2021. pp. 1317–1322.
  36. Dharani M., Jyostna J., Sucharitha E., Likitha R., Manne S. Interactive transport enquiry with ai chatbot. Proceedings of the 4th International Conference on Intelligent Computing and Control Systems (ICICCS). 2020. pp. 1271–1276.
  37. Nguyen H., Dao T., Pham N., Dang T., Nguyen T., Truong T. An accurate viewport estimation method for 360 video streaming using deep learning. EAI Endorsed Transactions on Industrial Networks and Intelligent Systems. 2022. vol. 9. no. 4.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».