Jan, 2022

基于机器学习方法的土耳其情感分析：在线食品订单网站评论应用

PDF
TL;DR使用 Yemek Sepeti 的数据和其变体，采用多种机器学习算法，结合多种自然语言处理方法，旨在达到最高的准确率，并优化算法的参数，训练得到的模型可用于无标签数据的客户满意度测量。本研究中应用的三种自然语言处理方法能够使大部分模型的准确率提高约 5%。
satisfaction measurementmachine learning algorithmsnatural language processingcustomer satisfactiondata optimization
发现论文，激发创造
  • 使用机器和深度学习算法对孟加拉美食评论进行情感极性分析

    利用 1484 个在线评论的数据集，作者使用深度学习和机器学习技术中的逻辑回归算法，确定了预测食物质量的最准确方法。该研究提供了有价值的洞察力，帮助用户决定是否订购食物。

    May, 2024

  • 使用自然语言处理和不同机器学习技术进行情感分析在美国航空公司 Twitter 数据上的比较研究

    本文介绍了两种自然语言处理技术（词袋和 TF-IDF）以及各种机器学习分类算法（支持向量机，逻辑回归，多项式朴素贝叶斯，随机森林）来分析大型，不平衡和多类数据集上的情感分析。最佳方法使用支持向量机和逻辑回归的词袋技术提供 77％的准确性。

    Oct, 2021

  • 基于当地餐厅评论的乌兹别克情感分析

    本文针对低资源约束下的乌兹别克语收集餐厅评论数据，并通过使用不同的技术，从基于逻辑回归模型，支持向量机，甚至是循环神经网络和卷积神经网络等深度学习模型进行评估的方式，提供了一些进一步的分析。 实验结果表明，在进行词干提取等预处理步骤后，该系统的精度提高，最终在最佳模型中达到 91％的精度结果。

    May, 2022

  • 食品评论和推荐的机器学习

    使用深度学习方法构建了一个基于 Web 的美食点评系统， 实现了对美食点评的情感分析、自动标签生成和检索。结果表明，这对解决实际问题具有很高的应用前景。

    Jan, 2022

  • 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

  • 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

  • 基于深度学习的波斯语情感分析

    我们引入和实现了一个基于混合深度学习的模型，用于对 Digikala Online 零售网站的客户评论数据进行情感分析，采用了多种深度学习网络和正则化技术作为分类器。最终，我们的混合方法在三个情感类别（积极，消极，中立）上实现了出色的性能，F1 分数达到了 78.3。

    Mar, 2024

  • 增强型评论检测与识别：对跨平台应用的方法研究（以在线商务为例）

    在线商务依赖于用户生成的评论来提供对物品的客观信息，该论文提出了一种利用机器学习方法进行评论检测和提取的方法，并展示了该方法在对未包含在训练数据中的网站上的使用上的推广性。此方法承诺驱动自动检测和评估评论的应用，无论其来源如何。此外，通过实施和讨论三个关键应用：情感不一致性分析、多语言支持和假评论检测，展示了该方法的多功能性。

    May, 2024

  • 用户生成的药物评论的情感分析使用机器学习技术

    通过使用 BERT、SciBERT 和 BioBERT 等预训练语言模型，本研究提出了一种药物评论分类系统，该系统可以将用户对特定药物的评论分为积极、消极和中性等不同类别，以分析人们对不同药物的情绪反馈。

    Apr, 2024

  • 针对土耳其文本的目标情感分析数据集和基于 BERT 的模型

    本研究旨在利用目标情感分析从给定的文本中提取针对特定目标的情感，我们提供了适用于目标情感分析的标注土耳其数据集，并提出了基于 BERT 的模型，结果表明，与传统情感分析模型相比，所提出的模型具有更好的性能。

    May, 2022