针对检测有用评价的问题，本研究提出了一个新的数据集和方法，该方法利用评论者的历史评价记录和评论的时间动态来自动评估评论的有用性，并展示了比多个基准方法更好的效果。

Feb, 2023

本文旨在利用现成的论证挖掘系统来预测 Amazon 评论的有用性，结果表明评论的有用性与其论证内容紧密相关。

Sep, 2018

本文针对在线评论过多令用户难以选择的问题，提出利用文化背景作为特征来评估在线评论的实用性，并通过对阿拉伯和西方文化圈中关于酒店和书籍的不同在线评论进行深入分析，发现基于文化背景评估评论可以提高推荐准确度，并开发了六个不同的评论推荐模型来证明这一点。

Apr, 2023

本文研究如何使用数据挖掘、自然语言处理技术和本体论来提取产品方面和用户意见，并使用频繁（标记）集，讨论了提出的框架能够提取评论中所有可能的方面和意见，并通过相似性分组代表性方面，并生成输出摘要。该框架与现有基线模型相比，得到了有希望的结果。

Apr, 2014

使用混合专家框架，本文旨在自动学习如何判断一个产品评论是否与给定查询相关，并在一个包括 1.4 百万个问题和答案以及 13 百万个评论的语料库上评估我们的系统，Moqa，并表明它对于处理二元和开放性查询都有效，在定性研究中还展示了这个系统能够提供人工评估认为相关的评论。

Dec, 2015

本文提出了基于多层次评价维度的评分系统，并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集，证明了该模型的可行性及在现实世界数据上的可扩展性。此外，该模型能够自动学习与特定方面相关的内容词和情感词，从而将评论文本中的内容和情感信息分离开来。

Oct, 2012

本文中提出了一种名为 CVP 的投票模型，旨在研究用户对在线社区中贡献响应的有用程度投票过程，以及此过程对不同社区的行为系数产生的影响。

Oct, 2016

本研究通过对书评的心理、词汇、语义、易读性等特征进行统计分析，使用两种易读性测试探索阅读便利程度与书评受欢迎程度的正向关联，并运用传统机器学习分类器和基于 Transformer 的预训练语言模型，自动判断书评的受欢迎程度。研究结果表明，除了一些特征（例如书评长度、情感和词语独特性）之外，大多数属性在受欢迎和不受欢迎的书评组之间没有显著差异。此外，使用词语 N-gram 特征的机器学习分类器的低性能凸显了在判断创意领域受欢迎程度方面所面临的挑战。总体而言，本研究揭示了影响书评受欢迎程度的因素，并强调了进一步研究的需要，尤其是在创意领域。

Nov, 2023

本研究探讨了如何在产品评论中识别有用的评论，并验证了基于论证的特征，如论证句子的百分比和依据结论的比率等，对于确定较佳评论的重要性。实验表明，与基准特征相结合使用时，基于论证的特征可使性能提高 11.01％。

Jul, 2017

通过对用户评论中的文本进行分析判断，本研究尝试对推荐系统的改进方案进行探讨，发现过去论文中的实验结果存在一定的差异，因此需要对数据预处理和实验设置进行规范化。研究表明，在一些特定的设置中，当前先进的算法并未比传统算法表现更优秀，作者总结出哪些条件下用户评论将对系统推荐更有帮助，并对推荐系统所应发展的方向提出建议。

May, 2020