- 使用机器和深度学习算法对孟加拉美食评论进行情感极性分析
利用 1484 个在线评论的数据集,作者使用深度学习和机器学习技术中的逻辑回归算法,确定了预测食物质量的最准确方法。该研究提供了有价值的洞察力,帮助用户决定是否订购食物。
- 基于在线评论的贝叶斯动态定价
当发布新产品时,企业面临市场接受程度的不确定性。在线评论不仅为消费者提供宝贵信息,也为企业提供了调整产品特性(包括售价)的机会。本文考虑了带有在线评论的定价模型,其中产品的质量不确定,卖方和买方通过贝叶斯方法更新信念以做出购买和定价决策。我 - AiGen-FoodReview:一个多模态的机器生成餐厅评论和社交媒体图片的数据集
通过使用大规模语言模型和图像模型构建 AiGen-FoodReview 数据集,本论文提供了检测和识别机器生成的虚假评论的方法,该方法能在单模态和多模态情况下取得接近真实数据性能的可扩展并可解释的检测结果。
- ATESA-BÆRT: 一个用于基于方面的情感分析的异构集成学习模型
针对多方面情感分析问题,本研究提出了一种名为 ATESA-BÆRT 的异构集成学习模型,通过将问题划分为两个子任务(Aspect Term Extraction 和 Aspect Term Sentiment Analysis)并在每个子任 - 利用文本分类检测欺诈评论
利用机器学习模型鉴别欺诈评论,研究表明被动侵略型分类器在文本分类和欺诈评论中表现最佳。
- 只需星辰:远程监督的金字塔网络在文本级别端到端情感分析中的应用
本论文提出了基于文档的端到端情感分析方法,通过远程监督金字塔网络 (DSPN) 对在线评价进行情感分析,能够以统一的方式有效地理解方面和评论表达的情感,它有效地执行方面 - 类别检测、方面 - 类别情感分析和星级评分预测,可以在不使用其他信 - 了解文化对在线评论有用性评估的影响
本文针对在线评论过多令用户难以选择的问题,提出利用文化背景作为特征来评估在线评论的实用性,并通过对阿拉伯和西方文化圈中关于酒店和书籍的不同在线评论进行深入分析,发现基于文化背景评估评论可以提高推荐准确度,并开发了六个不同的评论推荐模型来证明 - 在线评论中用户关注和情感对产品方面的分布规律探究
通过对超过 340,000 篇关于智能手机的在线评论的分析,本文从时间角度出发,探索了用户对产品方面的关注度和情感的分布规律,并发现评论中短时间间隔内的产品方面往往有更高的情感值,这一研究成果对于优化评论展示和改善购物体验具有重要意义。
- 使用机器学习和基于网络的算法进行意见垃圾检测的新方法
本研究提出一种新方法将机器学习与消息传递算法相结合,采用主动学习方式进行标签采样,用于判别评论者是垃圾评论者还是正常评论者,并在三大真实数据集中进行实验,证明其在机器学习方法和标签数据较少情况下性能优越。
- WSDM使用多模态代理估计多方面在线评论的因果效应
本研究通过分析多个方面的包括食品和服务等的用户生成的在线评论,使用观察数据识别并估计各方面的因果效应,并提出了一种利用多模态变量的方法,如消费者个人信息和消费者与企业之间的互动,以克服隐变量存在的挑战。实证评估表明该方法的有效性并为用户提供 - ACL协作解码的比较意见摘要
该论文提出了比较意见摘要任务,即从两个不同的候选评论集中生成两个对比摘要和一个共同摘要。作者开发了一个比较摘要框架 CoCoSum,可以更好地生成对比和共同摘要。
- EMNLP在线教授评测中的物化语言检测
该研究使用两个监督文本分类器来检测教授评论中的客体化言论,并利用该模型在规模上跟踪客体化发言。研究发现,教师评论中存在一定程度的客体化言论,该问题受到性别、评价网站界面设计等影响因素。
- ICML通过语言特征分析检测假评论
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。
- KDD使用纳什强化学习实现强韧的垃圾用户检测
以极小化极大博弈为基础,利用依赖性马尔可夫决策过程(MDP)优化算法,定位鉴定在提高商品评价的真实性方面表现更优秀的网络欺诈检测与防范方法。
- 基于评论的自适应实例迁移和增强的问题生成
本文提出了一种通过提取无人监督学习的相关特征,利用用户提问答案数据的迭代学习框架,用于通过生成问题的方式来挖掘在线评论中的信息,从而对商品和服务进行评价。实验表明,该框架的有效性以及新任务的有用性。
- 基于图卷积网络的垃圾评论检测
本研究提出了一种基于图卷积神经网络(GCN)的大规模反垃圾邮件方法来检测垃圾广告,名为 GCN-based Anti-Spam(GAS)模型。该模型整合了异构图和同构图以捕获评论的局部和全局上下文,在离线实验和在线性能的表现上均优于基线模型 - 利用正无标记学习和域自适应识别在线评论中产品召回的领先指标
本文介绍了一种利用在线评论来鉴定可能存在安全或健康隐患的产品的系统,并结合数据适应和无标记学习对于美国消费品安全委员会向消费者投诉进行训练以及在亚马逊上商品的验证中表现优异,可以为消费者提供售前安全评估服务。
- WWW使用语义相似性检测单一评论垃圾信息
本文讨论了在多个名称下发表假评论的问题,并提出了两种方法来检测相似的评论,结果通常优于以前的向量相似度措施,并对来自三个不同数据集的评论进行了实验。
- WWW利用顾客评论解决复杂和主观的产品相关查询
使用混合专家框架,本文旨在自动学习如何判断一个产品评论是否与给定查询相关,并在一个包括 1.4 百万个问题和答案以及 13 百万个评论的语料库上评估我们的系统,Moqa,并表明它对于处理二元和开放性查询都有效,在定性研究中还展示了这个系统能 - 从多方面评论中学习态度和属性
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