基于 BERT 的集成方法用于电子商务中客户评论情感分类及其在助推营销中的应用
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
我们提出了一种创新的集成方法来进行情感分析以找到伪造评论,它结合了支持向量机、K 最近邻算法和决策树分类器的预测能力,从而在伪造评论预测中实现了卓越的准确性和鲁棒性,突显了集成技术在使用混合算法中开展伪造评论研究方面的潜力。
Apr, 2024
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
本研究提出使用 BERT 模型从文本(即评论)中提取词嵌入来改进现有的虚假评论分类或检测方法,结果表明 SVM 分类器在准确度和 F1 得分方面优于其他分类器,并且比之前的研究中使用的分类器高出 7.6%。
Jan, 2023
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
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
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
本文比较了多种机器学习方法以实现情感分析,并将它们结合起来以实现最佳结果,结果表明,很容易重现,这将简化进一步发展状态的艺术,因为其他研究人员可以轻松地将他们的技术与我们的技术相结合。
Dec, 2014
该研究提出了一种名为 SEOpinion 的方法,使用模板信息和客户评论结合的方式,为产品方面提供总结并发现对其的意见,通过层次化的产品方面提取和基于产品方面的意见总结两个主要阶段,利用深度学习的 BERT 技术进行测试。实验结果表明,循环神经网络(RNN)在第一和第二阶段的 F1 值方面取得了比卷积神经网络(CNN)和支持向量机(SVM)技术更好的结果(分别为 77.4% 和 82.6%)。
Dec, 2023