分析应用评论以推动技术价值流》论文的附录
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
该研究介绍了一个原型工具,结合多种可视化方式,帮助终端用户理解临床文本中提取出的信息,修正必要错误,形成反馈循环,支持 NLP 模型的优化。针对该工具进行的临床医生和研究人员的用户研究显示,用户可以快速开始修正 NLP 模型,尽管他们很少或没有机器学习经验。研究结果还提供了优化界面以支持结果审查工作流程和解释的建议。
Jul, 2017
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
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
该研究项目旨在将综合自然语言处理应用于满意度调查,重点是理解和提取调查响应中的相关信息,分析情感,识别重复的词语模式。通过利用自然语言处理技术来确定情感极性、将响应分类为积极、消极或中性,以及利用观点挖掘来突显参与者的意见,该方法有助于确定参与者最相关的方面,并了解他们对这些特定方面的观点。该研究项目的关键组成部分将是利用自然语言处理技术分析满意度调查响应中的词语模式。这个分析将提供对受访者响应中存在的情感、观点、主题和趋势的更深入的理解。通过这种方法获得的结果可以用于确定改进领域、了解受访者的偏好,并基于分析做出战略决策,以提高受访者的满意度。
Jul, 2023
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
本文概述了人工智能在教育领域的应用,针对学生反馈数据,提出了利用自然语言处理技术来识别教育基础设施、学习管理系统、教学实践和学习环境的改进方向,并重点介绍了情感标注、实体注释、文本摘要和主题建模等文本分析技术在教育领域的应用及其存在的挑战。
Jan, 2023
使用 CamemBERT 实现对健康和健身领域的三个应用程序的 6000 条用户评论的自动分析,创造了一个多标签分类数据集。结果鼓舞人心,表明可以自动识别关于新功能请求的评论。
Jun, 2022
本文介绍一项关于通过机器学习技术和神经网络模型进行自动化提取与分析相关用户反馈,以探究造成应用程序能源效率低下的原因和 Emerging issues。另外,本文还介绍了两种最先进的主题建模算法 OBTM 和 AOLDA,以及与开发者和学生合作的研究结果,表明 OBTM 产生了最有用的结果。
Apr, 2023