Sep, 2024

基于大语言模型的应用评论细粒度情感分析：评估研究

HTML
PDF
TL;DR本研究解决了用户评论中对应用功能情感分析的需求缺口，提出了一种自动生成功能级情感摘要的方法。通过比较多种先进的大语言模型（如GPT-4），发现GPT-4在0-shot特征提取中比基于规则的方法提高了23.6%的f1分数，并在5-shot情况下进一步提升。这表明大语言模型在生成用户评论的功能特定情感摘要方面具有良好的前景。
发现论文，激发创造
  • 大语言模型时代的情感分析: 现实检验

    本文讨论了大型语言模型在情感分析任务中的有效性，对13项不同的任务进行了评估，在简单任务中表现良好，但在涉及更深层次理解和结构化情感信息方面仍有待提高；然而，在资源有限的情况下，大型语言模型表现出色，提供了潜在可能性。该研究提出了一个新的基准评估框架SentiEval。

    May, 2023

  • 大型语言模型的零翻译双语应用评论挖掘

    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

  • 从Google应用程序评论中察觉大学生的意见

    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

  • 大型语言模型与以文本为中心的多模态情感分析：调查

    与传统情感分析相比，多模态情感分析需要同时考虑来自多模态源的情感信号，它更符合人类在现实场景中处理情感的方式。本文综述了近期文本为中心的多模态情感分析任务中的研究，审视了大型语言模型在文本为中心的多模态情感分析中的潜力、方法、优势和局限性，总结了基于大型语言模型的多模态情感分析技术的应用场景，并探讨了未来多模态情感分析的挑战和潜在研究方向。

    Jun, 2024

  • 利用大型语言模型（LLM）注释系统扩展技术接受分析

    利用大型语言模型进行注释，以转化评论为结构化数据，验证其在用户情感分析方面的有效性。

    Jun, 2024

  • Review-LLM: 利用大型语言模型生成个性化评论

    通过使用Review-LLM，我们成功地将大型语言模型应用于个性化评论生成，实验结果表明，我们的模型在实现更好的评论生成性能方面优于现有的闭源大型语言模型。

    Jul, 2024

  • 使用大型语言模型对立陶宛在线评论进行情感分析

    本研究针对立陶宛在线评论的情感分析问题，填补了当前对这一语言的研究空白。我们首次应用了预训练的多语言大型语言模型（LLMs），特别关注于微调BERT和T5模型，取得了显著的识别准确率。该研究的结果表明，微调后的模型在情感不模糊的情况下表现优异，并超越了目前最先进的商业模型GPT-4。

    Jul, 2024

  • 分析大型语言模型（LLM）的能力，以建立软件吸引力的隐性用户情感

    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

  • 利用大型语言模型进行移动应用评论特征提取

    本研究解决了移动应用评论分析中提取特征的难题，尤其是面对低质量、主观偏见和噪声内容的挑战。研究提出了一种新的监督令牌分类方法，通过延长预训练模型和实例选择技术来提高特征提取的准确性和效率，从而为移动应用评论的自然语言处理提供实用方法和实证证据。

    Aug, 2024

  • 使用大型语言模型进行应用程序评论的细粒度情感分析：评估研究

    本研究解决了自动化分析用户对于应用程序功能情感的需求，填补了大型语言模型对特定功能情感分析探索的空白。通过比较GPT-4等先进模型在无示例、少量示例条件下的表现，结果发现GPT-4在特征提取的F1分数上比基于规则的方法提高了23.6%。本研究表明，大型语言模型在生成用户评论的功能特定情感摘要方面具有潜力。

    Sep, 2024