该研究提出了一种新颖的框架，利用自然语言处理技术来理解移动应用程序的用户反馈，从而帮助软件公司根据用户评论来推动其技术价值流，发现需要改进的地方。该框架经过深入分析，其模块的效果得到了评估，并通过对长时间内十六个流行的 Android 应用商店应用的评论进行分析证明了其有效性。

Mar, 2023

机器学习和自然语言处理可以通过预测实时的恐怖袭击来帮助打击恐怖主义，本研究通过使用社交网络文本来提取必要信息建立合适的恐怖袭击预测数据集，实验发现现有解决方案在地点识别方面准确率较低，我们的解决方案得以解决，并将扩展解决方案以提取日期和行动信息来实现项目目标。

Aug, 2023

本文使用 16 种不同的特征提取方法（包括 unigrams、bigrams、trigrams 和潜在语义索引）和 4 种机器学习算法（包括逻辑回归、朴素贝叶斯分类、感知器和线性支持向量分类）将评论评级预测视为多类分类问题，并分析了每种模型的性能，从而提出了最佳模型。使用 Yelp 数据集来训练和测试模型。

May, 2016

本文针对恶意众包论坛在信息传播中的误导性日益严重的问题，使用一种新的攻击方式 —— 基于深度学习语言模型，自动生成伪造商品和服务的在线评论，比传统人工雇佣方式成本更低、攻击规模更大，且有机制可以逃避检测，通过结合 Yelp 评论网站的实例，研究提出相应的防范措施。

Aug, 2017

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

提出了一种基于大型语言模型（LLMs）的工具 Mini-BAR，用于进行英语和法语用户评论的零 - shot 挖掘，对应需求工程领域的双语应用程序评论分析。

Nov, 2023

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

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

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