May, 2016

Yelp 数据挑战：评论评分预测

PDF
TL;DR本文使用 16 种不同的特征提取方法（包括 unigrams、bigrams、trigrams 和潜在语义索引）和 4 种机器学习算法（包括逻辑回归、朴素贝叶斯分类、感知器和线性支持向量分类）将评论评级预测视为多类分类问题，并分析了每种模型的性能，从而提出了最佳模型。使用 Yelp 数据集来训练和测试模型。
review rating predictionmulti-class classificationfeature extractionmachine learning algorithmsyelp dataset
发现论文，激发创造
  • 情感分析：预测 Yelp 评分

    本研究使用 Yelp 开放数据集中的元特征和文本预测餐厅评论的情感，并通过多个定性实验表明具有注意机制的深度模型成功学习到不同餐厅评论的平衡模型。最后，我们提出了一种新颖的多任务联合 BERT 模型，提高了整体分类性能。

    Jan, 2022

  • 通过确定代表用户来理解评级行为并预测评级

    该研究利用在线用户评论揭示隐藏在其中的信息，通过识别和理解用户评分时的各种维度，预测产品的评分。该方法可以在没有评论文本的情况下，使用少量用户评分来预测评分，并在预测精度方面优于传统方法达 16-27％。

    Apr, 2016

  • 看星星：利用类别关系进行有关评分尺度的情感分类

    本文介绍了解决情感分析中不同等级评分问题的方法，通过使用基于度量标签的元算法改进了分类器，来提高对相似物品的等级识别准确性。

    Jun, 2005

  • 利用文本分类检测欺诈评论

    利用机器学习模型鉴别欺诈评论，研究表明被动侵略型分类器在文本分类和欺诈评论中表现最佳。

    Jul, 2023

  • 从评论中学习分布式表示用于协同过滤

    通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

    Jun, 2018

  • 机器学习在在线声誉系统中的应用

    该研究提出一个新的基于机器学习的声誉系统，通过消费者个人资料的预测信誉度来计算产品声誉分数，该模型已在三个基准数据集上进行了评估，并与先前发布的评级聚合模型进行了比较。研究结果表明该方法可能是解决声誉系统问题的潜在解决方案，同时可与在线推荐系统集成以提供更好的购买建议。

    Sep, 2022

  • 使用监督机器学习和 BERT 模型进行在线虚假评论检测

    本研究提出使用 BERT 模型从文本（即评论）中提取词嵌入来改进现有的虚假评论分类或检测方法，结果表明 SVM 分类器在准确度和 F1 得分方面优于其他分类器，并且比之前的研究中使用的分类器高出 7.6％。

    Jan, 2023

  • 从 Google 应用程序评论中察觉大学生的意见

    通过机器学习和深度学习算法，使用情感分析明确揭示和解释应用市场评论的情绪，该研究通过探索性分析对应用程序评论进行情感分类，并确定大学生对应用市场的行为。

    Dec, 2023

  • 从多方面评论中学习态度和属性

    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

  • 使用朴素贝叶斯和 K-NN 分类器对评论数据集进行情感分析

    本文介绍了一种利用情感分析的 Web 爬取框架，以便快速发现电影评论和酒店评论的情感内容及分析，并详细讨论了两种监督式机器学习算法：K - 最近邻算法（K-NN）和朴素贝叶斯算法，并比较了它们的总体准确度、精确度和召回率。研究发现，在电影评论方面，朴素贝叶斯算法比 K-NN 算法效果好得多，但在酒店评论方面这些算法效果相对较差并且几乎相同。

    Oct, 2016