通过分析西班牙语的 TripAdvisor 评论，本研究探讨了影响众包极性判断变异的三个重要因素：词性、情感词以及中性词。研究结果表明，单词标题中的形容词倾向于导致较低的判断变异，情感词和中性词也对判断变异起到了一定的影响。然而，这些影响在更长的标题中无法复现，这暗示更长的标题并不适合用来测试单词的歧义性。这项实证研究为研究人员提供了有价值的深入了解影响单词极性变异的因素，为自然语言处理从业者利用西班牙语数据进行极性判断和预测的研究奠定了基础。

May, 2024

本文提出了基于多层次评价维度的评分系统，并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集，证明了该模型的可行性及在现实世界数据上的可扩展性。此外，该模型能够自动学习与特定方面相关的内容词和情感词，从而将评论文本中的内容和情感信息分离开来。

Oct, 2012

本文报告了一项旨在评估文本特征对荷兰语小说文学评分影响的试验结果，表明问卷评分与 Riddle 的调查评分之间存在中度到强度的相关性，但机器学习的预测结果更接近调查评分。

Nov, 2020

在社区评论领域，我们发现同一人编写的评论集合基于简单的文体特征就能链接起来从而导致明显的隐私泄露问题，而本文则提出了结合大众智慧和机器翻译的方法，使得评论样式不同从而达到了减少作者链接度的目的。

May, 2014

本文探讨了一种处理虚假评论的自然语言处理方法，通过研究 15 种语言特征，证明了虚假评论往往包含更多的废话和长句子，并且应用机器学习算法可以高准确率地辨别出虚假评论。

Oct, 2020

通过对用户评论中的文本进行分析判断，本研究尝试对推荐系统的改进方案进行探讨，发现过去论文中的实验结果存在一定的差异，因此需要对数据预处理和实验设置进行规范化。研究表明，在一些特定的设置中，当前先进的算法并未比传统算法表现更优秀，作者总结出哪些条件下用户评论将对系统推荐更有帮助，并对推荐系统所应发展的方向提出建议。

May, 2020

本研究使用分类和可视化分析的方法，通过研究 1895 年至 1924 年间的文学作品，特别是大量的最畅销书，探索预测一本书是否成为畅销书的方法，并发现使用全文内容的预测方法的准确度不高，但结果提供了关于文艺作品相对成功因素的见解。

Oct, 2022

本文提出了一种分析和建模意见评估的方法并利用亚马逊书评收集的大规模数据集发现了研究结果。研究表明评论的有用程度不仅取决于其内容，还与其他相同产品的评论的评估方式有微妙的关联，并提供了一个简单的数学模型使我们能够区分社会学和社会心理学等竞争理论和用户群体评估行为之间的意见。差异。

Jun, 2009

本文报告了两个眼动追踪语料库和两种语言模型（BERT 和 GPT-2）的实验结果。实验表明，预测自然阅读过程中多种眼动追踪参数时，包含的特征和基于 transformer 的语言模型的架构都发挥了作用。同时通过 SP-LIME，实验分析了不同特征组的相对重要性。

Mar, 2022

论文提出了一种使用生成文本解释推荐结果的框架，旨在为推荐系统提供可解释性，实现个性化解释，实验结果表明，与人类编写的评论相比，生成的评论在推荐性能方面表现更好。

Jul, 2018