基于LSTM的Web微服务声誉评分的QoE评估
通过建模评论中的句子之间的相互依赖关系,我们提出了一种基于分层双向LSTM的情感分析方法,在五个多语种、多领域的数据集上取得了竞争状态下最先进结果,并优于其它两种基线模型,而且不需要使用手工特征或外部资源。
Sep, 2016
本文介绍了一种利用情感分析的Web爬取框架,以便快速发现电影评论和酒店评论的情感内容及分析,并详细讨论了两种监督式机器学习算法:K-最近邻算法(K-NN)和朴素贝叶斯算法,并比较了它们的总体准确度、精确度和召回率。研究发现,在电影评论方面,朴素贝叶斯算法比K-NN算法效果好得多,但在酒店评论方面这些算法效果相对较差并且几乎相同。
Oct, 2016
该研究提出一个新的基于机器学习的声誉系统,通过消费者个人资料的预测信誉度来计算产品声誉分数,该模型已在三个基准数据集上进行了评估,并与先前发布的评级聚合模型进行了比较。研究结果表明该方法可能是解决声誉系统问题的潜在解决方案,同时可与在线推荐系统集成以提供更好的购买建议。
Sep, 2022
本文介绍了Painsight,一种无监督的框架,通过使用预训练的语言模型和构建情感分析和主题模型,利用模型梯度导出的归因分数自动从顾客评价中提取出不同的不满因素,并成功地应用于五种产品类别的客户评价数据中,提出的方法在人工评估中表现出卓越的结果。
Jun, 2023
情感分析是应用于数字文本数据的常见方法,总结了现有工作,但忽视了对有效性和科学实践的讨论。我们通过综合38个系统性综述和2,275项主要研究,提出了一个针对系统评价方法和报告标准的专属质量评估框架,发现了多样的应用和方法、有限的报告严谨性以及随时间推移的挑战。我们讨论了未来研究和从业者如何解决这些问题,并强调它们在许多应用中的重要性。
Oct, 2023
使用GoEmotions数据集评估情感分析模型的效能并扩展研究范围,发现RoBERTa模型在细粒度情感分类任务上表现出色,推动了情感分析能力的发展。
May, 2024
使用机器学习技术为网络服务提供商提供了一种实用的框架,可以评估和预测用户对服务的满意度,从而通过实时动态分配网络资源来降低成本并提高客户满意度。
Jun, 2024
利用在线平台上的用户生成内容(UGC)可以帮助市场研究人员理解消费者对产品和服务的偏好。本研究通过引入多数投票机制,使用本地LLMs对评论进行情感分析,发现使用中型模型进行多次尝试的多数投票机制能够产生比使用大型模型进行单次尝试更稳健的结果,并进一步分析各个方面对整体评估的影响。
Jul, 2024
本研究针对如何定量分析用户对软件吸引力的隐性情感进行了探索,填补了现有定性分类情感不足的空白。通过使用多种大型语言模型(LLM),研究提供了数值化的情感分析方法,揭示了用户情感的深度和强度。最显著的发现是,所有测试的LLM都能够有效地从用户数据中检测情感,这为用户体验评估提供了更深入的理解。
Aug, 2024