使用多模态代理估计多方面在线评论的因果效应
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
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
本研究构建了一个产品评价模型,通过多模态学习在线产品评价和消费者个人信息,考虑了消费者异质性,同时比较了不同模态或超参数的多个模型,以展示多模态学习在营销分析中的稳健性。
Jan, 2024
本研究评估了一个新提出的神经模型在提取评论方面的可行性,结果表明该模型能够从用户评论中准确识别和提取各个方面并生成用户偏好的基于方面的概要。
Apr, 2018
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
本文提出了一种基于多源多方面注意力生成模型的公式,以更具说服力的方式回应消极评论,并懂得自动关注评论中的不同方面,以确保多个问题被充分应对。大量实验结果表明,该方法胜过先前的方法,并且已经在线上测试中证明了提高商家处理消极评论效率的显著性。
Sep, 2022
通过概率建模来推断用户对产品不同方面的偏好并揭示产品内在质量,在实际数据集上展示了该方法的预测能力和学习可解释用户偏好的有效性,进而提高可靠的产品质量评估。
May, 2017
本文提出了一种基于多变量因果推断的新框架,用于消除神经网络模型在情感分析中学习不准确关联以及提高对各种输入变换的稳健性。该框架通过应用不同的因果干预方法来解决不同类型的偏见问题,并在广泛的实验中证明了其相对于其他基准方法在两个常用测试数据集上的有效性。
Mar, 2024
我们提出了一个模型,通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集,并确定了每个方面的相应情感,从而直接发现了产品的高评级或不一致方面。
Jan, 2014