社交媒体平台上基于投诉的推文识别的迭代方法
本文针对社交媒体文本中的投诉行为进行了系统的语言学分析,基于 9 个领域的数据,使用多种基于特征和神经网络的机器学习模型,最终取得了最高 79F1 的预测性能,其结果可供相关机构或企业作为提升客户体验的依据。
Jun, 2019
本研究旨在探索使用最新预训练的神经语言模型与语言信息的组合来自动识别社交媒体投诉。我们评估了一系列以 transformer 网络为基础的神经网络模型,结果表明我们的模型在公开数据集上表现出色,F1 宏平均值高达 87。
Oct, 2020
本文是计算语言学领域中第一次尝试,旨在从文本中确定投诉的强度,并创建了包含 3,103 条微博发布的汉语数据集。本文发现可以通过计算模型准确地估计投诉强度,并证明了其可以提高社交媒体上帖子受欢迎程度的估计。
Apr, 2022
自互联网技术发展以来,客户满意度一直是公司发展中的主要因素之一。在线平台已成为分享评论的主要场所之一,Twitter 是其中之一,客户经常在这些平台上发布自己的感想。对于航空公司而言,在这些平台上的航班点评已成为问题。正面的点评可以帮助公司发展,而负面的点评则可能迅速损害收入和声誉。因此,对于航空公司来说,研究客户的反馈和体验,并改进他们的服务以保持竞争力至关重要。然而,研究数千条推文,并分析它们以确定客户满意度是一项相当困难的任务。可以通过使用机器学习方法来分析推文,以确定客户满意度水平,从而简化这个繁琐的过程。对于自动化过程,已经对这种策略进行了一些工作,并使用机器学习和深度学习技术。然而,它们完全只关注对文本情感的评估。除了文本,推文还包括时间、地点、用户名、航空公司名称等信息。这些附加信息对于改进模型的结果至关重要。为了提供一个基于机器学习的解决方案,本研究扩大了其视野,包括这些特性。而且,不出所料,超出文本情感分析的附加特征会产生更好的机器学习模型结果。
Feb, 2024
通过利用社交媒体平台(如 Twitter)上的数据,本研究提出了一种新颖的基于自然语言处理的框架,以便从用户的角度了解各种服务问题,并使用两种技术简化了用户反馈的获取和分析过程。该框架准确地对推文进行分类,并根据推文的情感强度和极性进行情感分析,展示了其在评估用户反馈方面的有效性。研究结果证实了该框架在通过廉价的社交媒体数据评估用户反馈、了解交通系统的问题并进行有针对性的改进方面的有效性。
Oct, 2023
本文研究了在灾难中使用社交媒体如 Twitter 等传播信息以提高灾难控制。当前流行的通过学习的方法无法很好地识别与灾难相关的推文,因此我们提出了一种基于匹配关键词和标签的简单而有效的算法。结果表明,我们的方法提供了更高质量和更可解释的情绪分析任务相关的推文,是一种可行的方法。
May, 2017
本文首次报道了人权活动家和机器学习家之间的合作,利用众包研究了 Twitter 上针对女性的在线虐待。通过分析来承认滥用感知的变异性,为其释放给社区研究工作做好准备。在社会影响方面,这项研究为旨在提高公众和决策者意识以及提高社交媒体公司期望标准的媒体活动提供了技术支持。
Jan, 2019
本研究旨在使用机器学习方法分析 Twitter 上提到的航空公司航班服务的客户满意度,通过情感分析、词汇分析和时间序列分析,检测顾客情感的异常波动,以帮助航空公司及其他客户面对顾客的快速变化而采取适当措施。
Sep, 2022
本篇论文是第一次在计算语言学领域研究投诉的严重程度等级,在公开数据集中加入四个严重程度等级并采用不同的基于 transformer 的网络结构和语言信息来训练模型,在二进制投诉检测和投诉严重程度等级多任务设置的联合模型中达到了最新的最优结果,最后提供了模型预测投诉严重等级的定性分析。
Mar, 2021