借助 Twitter 数据进行交通用户反馈的情感分析：一种自然语言处理框架

Oct, 2023

借助 Twitter 数据进行交通用户反馈的情感分析：一种自然语言处理框架

Leveraging Twitter Data for Sentiment Analysis of Transit User Feedback: An NLP Framework

Adway Das, Abhishek Kumar Prajapati, Pengxiang Zhang, Mukund Srinath, Andisheh Ranjbari

TL;DR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。

Abstract

Traditional methods of collecting user feedback through transit surveys are often time-consuming, resource intensive, and costly. In this paper, we propose a novel nlp-based framework that harnesses the vast, abu

user feedback nlp-based framework social media data tweet classification sentiment analysis

发现论文，激发创造

MetRoBERTa：利用传统客户关系管理数据开发交通话题感知的语言模型

利用传统的交通客户关系管理反馈作为训练数据，我们提出了一种能够将开放性文本反馈分类到相关的交通特定主题的大规模语言模型。我们的模型在所有评估指标上表现优秀，提供了 90% 的平均主题分类准确率。

Aug, 2023

融合社交网络的用户级情感分析

研究表明，社交关系信息可以用于提高用户级情感分析，实验结果表明，将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。

Sep, 2011

利用机器学习方法分析航空公司乘客推文情感

本研究旨在使用机器学习方法分析 Twitter 上提到的航空公司航班服务的客户满意度，通过情感分析、词汇分析和时间序列分析，检测顾客情感的异常波动，以帮助航空公司及其他客户面对顾客的快速变化而采取适当措施。

Sep, 2022

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

Traffic-Twitter Transformer: 基于自然语言处理的交通预测框架

本文旨在通过将社交媒体功能纳入考虑范围，以提供一个灵活全面的框架，在交通强度和 Twitter 数据强度之间建立相关性，并将两个时间序列数据馈入我们的 Traffic-Twitter Transformer，为长期交通预测提供自然语言表示。实验结果表明，这种纳入 NLP 的社交感知框架能够成为交通机构网络广泛预测和管理的有价值的实现。

Jun, 2022

基于客服互动的消息级情感分析的负面用户检测框架

本文提出了一个基于即时聊天的客户支持 (CS) 互动的框架，用于预测个体用户的推荐决策。通过分析一家拉丁美洲大型电子商务公司金融垂直领域内的 16.4k 用户和 48.7k 客户支持对话，本研究的主要贡献和目标是利用自然语言处理（NLP）来评估和预测推荐行为，在使用静态情感分析的同时利用每个用户的情感动态的预测能力。结果表明，通过信息级别的情感演变，可以完全自动化地预测用户推荐产品或服务的概率以及相关的功能解释。

Nov, 2022

基于深度学习的情感分析：一项比较研究

本文综述了在自然语言处理（NLP）方面使用深度学习模型进行情感分析的最新研究，评估了使用词频 - 逆文档频率（TF-IDF）和词嵌入技术的不同模型和输入特征，并对实验结果进行了比较研究。

Jun, 2020

多源社交媒体情感分析的比较研究

本文使用多种技术，如基于词典的、机器学习和深度学习方法，对社交媒体上的评论数据进行情感分析，并提供了比较分析结果。在本研究中，我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。

Dec, 2022

多模态方面基情感分析技术用于社交媒体用户观点提取

该研究使用机器学习技术分析社交媒体上用户的意见与经验，通过建立自动化数据分析流程找到图片和特定词汇，应用基于方面的情感分析方法发现用户对选择的主题的看法，提出了新的语义计算方法，为建筑专家等领域的研究者提供了新的见解。

Oct, 2022

利用上下文信息进行增强的 Twitter 情感分类

本文探索了利用不同位置、时间和作者搜集的大量元数据来分析推文情感，并使用基于贝叶斯方法的分类器，将上述元数据与 n-grams 等标准语言特征相结合，以更准确地对推文情感进行分类。结果表明，将 Twitter 可用的丰富上下文信息整合到情感分类中是一个有希望的研究方向。

May, 2016