基于数据驱动的需求工程方法:用户评论的自动分析
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
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
提出了一种基于大型语言模型(LLMs)的工具 Mini-BAR,用于进行英语和法语用户评论的零 - shot 挖掘,对应需求工程领域的双语应用程序评论分析。
Nov, 2023
本文介绍了一种基于云的系统,使用机器学习方法集成到管道中,能够从客户评论中提取洞察力,其复合模型使用基于 transformer 的神经网络、基于向量嵌入的关键字提取和聚类,可以更好地满足高效信息提取、提取信息的主题建模和用户需求的要求,并且比现有的主题建模和关键字提取解决方案取得更好的结果。该方法使用公开可用的数据集进行基准测试,并与其他最先进的方法进行验证和比较。
Jun, 2023
本篇研究致力于利用基于 BERT 的分类器对商品评论中的方面和组成元素信息加以标记,并通过数据增强方法提高系统对于数据不足时的精度,结果表明该系统能够对如路单车等商品评论中的组成元素和方面进行标记,较大程度涵盖 e-commerce 网站中的指标。
Jul, 2022
在社交媒体的世界中,维护声誉资本至关重要,但是在自动化可靠的在线声誉分析方面仍面临挑战。因此我们提出了一种基于 BERT 的声誉分析方法,并在 RepLab 2013 数据集上进行了评估。相比之前的工作,我们的准确度提高了 5.8%,平衡准确度提高了 26.9%,F 分数提高了 21.8%。
Oct, 2022
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
本文旨在利用机器学习的方法来分析学生的课程反馈,使用自然语言处理的技术和嵌入式词和深度神经网络等现代方法,使用 RoBERTa 模型获得 95.5% 的准确率和 84.7% 的 F1-macro,提供给大学和课程提供商以一个使用 NLP 模型自我评估和改进的指导。
Apr, 2023
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
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