Optimizing Multi-Class Text Classification: A Diverse Stacking Ensemble Framework Utilizing Transformers
针对单分类器在客户评论多类文本分类中存在过拟合和偏差的问题，提出融合BERT、ELECTRA等基础Transformer与RoBERTa元分类器的堆叠集成方法，在真实评论数据集上准确率和鲁棒性优于传统单模型，助力企业数据驱动决策。
2023-08-19 cs.AI cs.CL
A Machine Learning Approach to Detect Customer Satisfaction From Multiple Tweet Parameters
Bangladesh University of Engineering and Technology（孟加拉工程技术大学）
本文提出一种基于机器学习的方法，利用推文的文本情感及时间、位置等附加特征检测客户满意度，显著提升了模型效果。
2024-02-25 cs.CL cs.LG
Improving Factual Consistency of Abstractive Summarization on Customer Feedback
Amazon, Inc.（亚马逊公司）
电子商务商店收集客户反馈，让卖家了解客户关注的问题，提升客户订单体验。由于客户反馈通常包含冗余信息，因此可以生成反馈的简明摘要，以帮助销售人员更好地了解导致客户不满的问题。现有的抽象文本摘要模型在根据客户反馈生成摘要时会产生两种主要的事实错误，即错误的实体检测（WED）和错误的产品缺陷描述（IPD）。在这项工作中，我们介绍了一套方法来提高客户反馈的抽象摘要的事实一致性。我们用人工破坏的摘要来增加训练数据，并将它们用作目标摘要的对应物。我们在训练目标中添加了一个对比损失项，以便模型学习避免某些事实错误。评估结果表明，大部分的WED和IPD错误减轻BART和T5。此外，我们的方法不依赖于结构的摘要模型，因此是可推广到任何抽象的摘要系统。
2021-06-30 cs.CL cs.LG
APRF-Net: Attentive Pseudo-Relevance Feedback Network for Query Categorization
Emory University（埃默里大学）；The Home Depot（家得宝）
查询分类是电子商务搜索中查询意图理解的重要组成部分。常见的查询分类任务是在产品分类中选择相关的细粒度产品类别。对于频繁的查询，丰富的客户行为（例如，点进数据）可用于推断相关产品类别。然而，对于覆盖大量搜索流量的更罕见的查询，由于缺乏这种信号，仅仅依靠客户行为可能是不够的。为了提高罕见的查询分类，我们适应伪相关反馈（PRF）的方法，利用潜在的知识嵌入在语义或词汇相似的产品文档，以丰富表示更罕见的查询。为此，我们提出了一种新的深度神经模型，称为注意伪相关反馈网络（APRF-Net），以增强查询分类的罕见查询的表示。为了证明我们的方法的有效性，我们收集了来自大型商业搜索引擎的搜索查询，并将APRF-Net与最先进的文本分类深度学习模型进行了比较。我们的结果表明，APRF-Net在F1@1评分上比基线显着提高了查询分类5.9%，对于罕见（尾部）查询，这一提高提高到8.2%。本文的研究结果可以用来进一步改善搜索查询表示和理解。
2021-05-10 cs.CL cs.IR cs.LG
What sentiment analysis can't see: Measuring whether customers were helped, and what went wrong, across 70,000 support conversations
Dimension Labs（Dimension实验室）
本研究使用GPT-5.4从70,450次客服对话中估计客户满意度并标记具体问题，发现满意度估计比情感分析更准确，且能揭示情感分析无法捕捉的客户状态和问题原因。
2026-06-19 cs.CL
Understanding Meanings in Multilingual Customer Feedback
ADAPT Centre（ADAPT中心）；Microsoft Ireland（微软爱尔兰）；Dublin City University（都柏林城市大学）；Trinity College Dublin（都柏林圣三一学院）
理解并能够对客户反馈做出反应是提供良好客户服务的最基本任务。然而，国际公司在全球多语言环境中自动检测客户反馈的含义存在两大障碍。首先，没有广泛认可的分类（类）的意义，客户反馈。其次，一种含义分类（如果存在）对多种语言的客户反馈的适用性是值得怀疑的。在本文中，我们提取了具有代表性的真实世界的客户反馈样本，从微软Office客户在多种语言，英语，西班牙语和日语，并得出了一个五类分类（评论，请求，错误，投诉和无意义）的意义分类，可用于跨语言领域的客户反馈分析。
2018-06-05 cs.CL
Better Handling Coreference Resolution in Aspect Level Sentiment Classification by Fine-Tuning Language Models
University of Alberta（阿尔伯塔大学）
针对 LLM 在需要共指消解的 ALSC 场景表现不佳的问题，提出通过高推理任务微调提升其 CR 能力，并发布面向 ALSC 中 CR 的新数据集。
2023-07-11 cs.CL
Online shopping behavior study based on multi-granularity opinion mining: China vs. America
Nanjing University of Science and Technology（南京理工大学）；Alibaba Research Center for Complex Sciences, Hangzhou Normal University（杭州师范大学阿里巴巴复杂科学研究中心）；Hangzhou Normal University（杭州师范大学）；Jiangsu Key Laboratory of Data Engineering and Knowledge Service, Nanjing University（南京大学江苏省数据工程与知识服务重点实验室）；Nanjing University（南京大学）
随着电子商务的发展，许多产品现在正在全球范围内销售，制造商渴望更好地了解各个地区的客户行为。为了实现这一目标，以前的大多数努力主要集中在问卷调查上，这既费时又费钱。电子商务网站上大量的产品评论已经出现了一种新的趋势，即制造商试图通过分析在线评论来了解用户的偏好。根据这一趋势，本文解决了利用最近发展的意见挖掘技术研究客户行为的问题。这部作品之所以新颖，有三个原因。首先，通过采用基于模板的问题生成和基于意见挖掘的答案提取的算法，自动启用基于问卷的调查。使用该系统，制造商能够获得具有更大样本量、更直接信息、更高自动化程度和更低成本的客户行为报告。第二，通过集成多语言意见挖掘工具，使国际客户行为研究变得更加容易。第三，这是首次进行自动问卷调查，以比较中国和美国的客户行为，其中产品评论分别用中文和英文撰写和阅读。我们对数码相机、智能手机和平板电脑的研究得出了三个发现。首先，中国消费者遵循中庸之道，经常使用委婉的表达方式，而美国消费者更直接地表达他们的意见。其次，中国客户更在意总体感受，而美国客户更注重产品细节。第三，中国消费者关注产品的外部特征，而美国消费者更关注产品的内部特征。
2016-03-26 cs.CL cs.CY cs.HC
Topic Detection and Summarization of User Reviews
University of Delaware（特拉华大学）；IBM Almaden Research（IBM阿尔马登研究中心）
每天都有大量的评论从各种平台上产生。人们不可能通读大量的评论并获得有用的信息。因此，自动总结客户评论是重要的识别和提取的基本信息，以帮助用户获得的数据的要旨。然而，由于客户评论通常是短的，非正式的，和多方面的，这是非常具有挑战性的，以产生主题明智的summarization.While有几个研究旨在解决这个问题，他们是探试法，开发只利用客户评论。与现有的方法不同，我们提出了一种有效的新的摘要方法，通过分析评论和摘要。由于情感通常很短，我们将谈论同一方面的情感合并到一个文档中，并应用主题建模方法来识别客户评论和摘要中的隐藏主题。情感分析用于区分每个检测到的主题之间的积极和消极的意见。本文还引入了一个分类器来区分摘要和客户评论的写作模式。最后，根据主题相关度、情感分析得分和写作模式选择情感生成摘要。为了测试我们的方法，从亚马逊和CNET收集了一个新的数据集，包括关于1028种产品的产品评论和摘要。实验结果表明，与其他方法相比，该方法是有效的。
2020-05-30 cs.CL
Auto Analysis of Customer Feedback using CNN and GRU Network
Indian Institute of Technology Patna（印度理工学院巴特那分校）；International Institute of Information Technology Bhubaneswar（布巴内斯瓦尔国际信息技术研究所）
分析客户反馈是将数据引导到新的营销策略中的最佳方式，这对企业家和客户都有利。因此，一个自动化的系统，可以分析客户的行为是在很大的需求。用户可以用任何语言编写反馈，因此挖掘适当的信息往往变得棘手。特别是在传统的基于特征的监督模型中，很难建立一个通用的系统，因为人们必须理解相关的语言来找到相关的特征。为了克服这一点，我们提出了基于深度卷积神经网络（CNN）和递归神经网络（RNN）的方法，这些方法不需要手工制作特征。我们评估这些技术分析客户反馈的句子在四种语言，即英语，法语，日语和西班牙语。我们的实证分析表明，我们的模型表现良好，在所有四种语言的设置IJCNLP共享任务的客户反馈分析。我们的模型在法语中达到了第二位，准确率为71.75%，在所有其他语言中达到了第三位。
2017-10-12 cs.CL
Aspect-Based Sentiment Analysis Using a Two-Step Neural Network Architecture
Bielefeld University（比勒费尔德大学）
万维网以非结构化文本的形式保存了大量信息，例如客户对产品、事件等的评论。通过以细粒度的方式提取和分析客户评论中表达的意见，可以为客户和企业获得宝贵的机会和见解。我们提出了一个基于神经网络的系统来解决基于语义的情感分析的任务，以参加ESWC-2016语义情感分析挑战赛的任务2。我们提出的架构分为两个子任务：方面的长期提取和特定方面的情感提取的任务。这种方法是灵活的，因为它允许独立地处理每个子任务。作为第一步，一个经常性的神经网络是用来提取方面的文本框架的问题作为一个序列标记任务。在第二步中，递归网络根据其上下文处理每个提取的方面，并预测情感标签。该系统使用预训练的语义词嵌入功能，我们实验增强从WordNet中提取的语义知识。从SenticNet中提取的进一步特征被证明有利于情感标签的提取。作为同类中性能最好的系统，我们提出的系统被证明是一种有效的方法，基于情感的情感分析。
2017-09-19 cs.CL
Happy or grumpy? A Machine Learning Approach to Analyze the Sentiment of Airline Passengers' Tweets
Purdue University（普渡大学）
作为最广泛的社交网络服务之一，截至2022年，Twitter拥有超过3亿活跃用户。在其众多功能中，Twitter现在是消费者分享他们对产品或体验的意见的首选平台之一，包括商业航空公司提供的航班服务。本研究旨在通过使用机器学习方法分析提及航空公司的推文的情感来测量客户满意度。相关推文从Twitter的API中检索，并通过标记化和矢量化进行处理。之后，这些处理过的向量被传递到预先训练的机器学习分类器中以预测情感。除了情感分析，我们还对收集的推文进行词法分析，以模拟关键词的频率，从而提供有意义的上下文，以促进对情感的解释。然后，我们应用时间序列方法，如布林线检测情绪数据中的异常。我们使用2022年1月至7月的历史记录，证明我们的方法能够捕捉乘客情绪的突然和重大变化。这项研究有可能被开发成一个应用程序，可以帮助航空公司，以及其他几个面向客户的企业，有效地检测客户情绪的突然变化，并采取适当的措施来应对它们。
2022-09-28 cs.CL
Beyond the Star Rating: A Scalable Framework for Aspect-Based Sentiment Analysis Using LLMs and Text Classification
University of Southern California（南加州大学）
本文提出一种结合LLMs和传统机器学习的方法，用于大规模基于方面的情感分析，通过分析470万条评论，展示了其在餐饮体验、菜系和地理区域中的应用效果。
2026-02-24 cs.CL
Incremental Summarization for Customer Support via Progressive Note-Taking and Agent Feedback
Airbnb Inc.（Airbnb公司）
本文提出一种客服增量摘要系统，结合微调Mixtral-8x7B与DeBERTa分类器，通过智能体反馈闭环，降低处理时间3%，提升摘要质量与生产力。
2025-10-09 cs.AI cs.CL cs.LG
OhioState at IJCNLP-2017 Task 4: Exploring Neural Architectures for Multilingual Customer Feedback Analysis
The Ohio State University（俄亥俄州立大学）
本文介绍了我们的IJCNLP 2017客户反馈分析共享任务系统。我们尝试了简单的神经架构，在某些任务上提供了有竞争力的性能。这包括浅层CNN和双向LSTM架构，以Facebook的Fasttext作为基线模型。我们的表现最好的模型是在前5个系统中使用西班牙语（两者均为85.28%）和法语（分别为70%和73.17%）任务的精确准确性和微平均F1指标，并且在法语任务的评论（87.28%）和无意义（51.85%）标签上使用微平均F1指标。
2017-10-31 cs.CL
Leveraging Customer Feedback for Multi-modal Insight Extraction
Amazon（亚马逊）
本文提出一种在潜在空间融合图像与文本的多模态方法，结合弱监督数据生成技术，有效提取客户反馈中的可操作洞察，在F1分数上超越基线14分。
2024-10-13 cs.AI cs.CL cs.CV
Spam and Sentiment Detection in Arabic Tweets Using MARBERT Model
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·法伊塞尔大学）；Saudi Telecom Company（沙特电信公司）；Saudi Aramco Cybersecurity Chair（沙特阿美网络安全主席）
本研究利用MARBERT模型对阿拉伯语推文进行情感分析，以提升沙特电信公司客户服务，在24,513条推文数据集上取得了优于现有技术的准确率。
2026-06-25 cs.AI cs.CL
Learning Selective LLM Autonomy from Copilot Feedback in Enterprise Customer Support Workflows
T-Tech
本文提出一个自动化企业业务流程管理平台中客户支持流程的系统，通过结构化案例UI交互轨迹和低开销Copilot反馈实现选择性自动化，提升处理效率并降低平均处理时间。
2026-04-26 cs.CL cs.SE
InsightNet: Structured Insight Mining from Customer Feedback
Amazon（亚马逊）
本文提出 InsightNet，通过半监督多层级分类体系、语义相似度生成标注数据及微调 LLM 的多任务架构，从客户评论中提取结构化情感洞察，并在多标签主题分类上达到 0.85 F1。
2024-05-12 cs.AI cs.CL
RL-ADA: A World-Feedback Framework for Adversarially Robust Enterprise Dialogue Agents
Centific（森蒂菲克（Centific））
针对企业对话智能体的标注瓶颈，提出RL-ADA协同进化框架，用世界反馈取代人工标注，在银行场景中消除路由错误并提升PASS率，还发现上下文伪装的对抗策略。
2026-09-04 cs.CL
Emotion Classification In-Context in Spanish
Department of Computer and Information Sciences, University of Delaware（计算机与信息科学系，德克萨斯大学）
针对西班牙语客户反馈情感分类，提出结合TF-IDF与BERT嵌入的自定义堆叠集成方法，在原生数据集上达到93.3%准确率，优于翻译版本及单一模型。
2025-05-26 cs.CL cs.LG
Delivery Issues Identification from Customer Feedback Data
Tredence Analytics Sol. Pvt. Ltd.（Tredence Analytics Solutions Private Limited）
每天有数百万个包裹通过世界各地的在线和本地零售商店成功交付。需要适当的包裹交付，以确保高客户满意度和重复购买。尽管商店尽了最大的努力，但这些交付仍存在各种问题。这些问题的发生不仅是由于大批量和对低周转时间的高要求，而且还由于机械操作和自然因素。这些问题的范围从收到错误的项目在包延迟装运到损坏的包装，因为在运输过程中处理不当。寻找发送方和接收方面临的各种交付问题的解决方案在提高整个流程的效率方面发挥着至关重要的作用。本文展示了如何使用来自文本评论和上传图像的客户反馈来发现这些问题。我们对文本和图像模型都使用了迁移学习，以最大限度地减少对数千个标记示例的需求。结果表明，该模型可以发现不同的问题。此外，它还可以用于瓶颈识别，流程改进，自动退款等任务。与现有的过程相比，本文提出的文本和图像模型的集成，确保了几种类型的交付问题的识别，这是更适合于现实生活中的场景交付的物品在零售企业。该方法可为类似行业的包裹投递问题检测提供一种新的思路。
2021-12-26 cs.AI cs.CL cs.CV
Collaborative Metric Learning Recommendation System: Application to Theatrical Movie Releases
Twentieth Century Fox Film Corporation（二十世纪福克斯电影公司）
产品推荐系统在电影绿灯过程中以及作为机器学习个性化管道的一部分对于主要电影制片厂非常重要。协同过滤（CF）模型已被证明是有效的动力推荐系统的在线流媒体服务与明确的客户反馈数据。CF模型在反馈数据不可用的情况下、在新产品发布等冷启动情况下以及具有明显不同的客户层的情况下（例如，高频客户与临时客户）。生成的自然语言模型可以创建有用的基于主题的底层文档语料库表示，可以用于表示新的产品描述，如新的电影情节。当与CF结合使用时，它们已被证明可以提高冷启动情况下的性能。在这些情况下，虽然明确的客户反馈是可用的，推荐引擎必须依赖于二进制购买数据，这大大降低了性能。幸运的是，购买数据可以与产品描述相结合，在一个方便的产品空间中生成有意义的产品和客户轨迹表示，其中接近度表示相似性。学习测量这个空间中点之间的距离可以通过一个深度神经网络来完成，该网络对客户历史和产品描述的密集矢量化进行训练。我们开发了一个基于协作（深度）度量学习（CML）的系统来预测新戏剧版本的购买概率。我们使用一个大型的客户历史数据集对模型进行了训练和评估，并针对一组在训练窗口之外发布的电影对模型进行了测试。初步实验显示增益相对于模型，不训练的协作偏好。
2018-03-01 cs.CL cs.IR
NaRLE: Natural Language Models using Reinforcement Learning with Emotion Feedback
Microsoft（微软）
当前对话系统的研究主要集中在面向任务或开放域环境下的短对话上。在本文中，我们专注于在线改进基于任务的会话助理，主要是那些从事文档类型会话的助理（例如，电子邮件），其内容可能与助理的任务完全相关，也可能不完全相关。我们提出了“NARLE”一个深度强化学习（RL）框架，用于在线改进对话系统的自然语言理解（NLU）组件，而无需为客户数据收集人类标签。所提出的解决方案将用户情感与助理的动作相关联，并使用该情感来使用策略梯度改进NLU模型。对于两个意图分类问题，我们的经验表明，使用强化学习微调预训练的监督学习模型，提高性能高达43%。此外，我们证明了部分和噪声隐式反馈的方法的鲁棒性。
2021-10-05 cs.CL cs.LG
Transit Pulse: Utilizing Social Media as a Source for Customer Feedback and Information Extraction with Large Language Model
University of Toronto（多伦多大学）
本文提出利用Llama 3大语言模型结合检索增强生成，从公共交通相关社交媒体帖子中统一提取情感、讽刺、异常问题和位置信息，以克服传统NLP方法分离话题与情感的局限，并通过实验验证其有效性。
2024-10-19 cs.AI cs.CL cs.CY
The Longer the Better? The Interplay Between Review Length and Line of Argumentation in Online Consumer Reviews
University of Freiburg（弗莱堡大学）；University of Giessen（吉森大学）
评论有用性是了解在线零售商平台上客户购买决策过程的焦点。绝大多数以前的作品发现长评论比短评论更有帮助。在本文中，我们建议，较长的评论不应该被认为是统一更有帮助的，相反，我们认为，效果取决于线的论证在审查文本。为了测试这个想法，我们使用了来自亚马逊的大量客户评论数据集，并结合了自然语言处理的最先进方法，该方法使我们能够在句子级别上研究论证行。我们的实证分析表明，论证的变化频率的调节效果的审查长度的有用性。总之，我们反驳了流行的叙述，即较长的评论被一致认为是更有帮助的。我们的研究结果使零售商平台能够改进其客户反馈系统，并提供更有用的产品评论。
2019-09-26 cs.CL cs.LG
Aspect-Based Opinion Extraction from Customer reviews
Queensland University of Technology（昆士兰理工大学）
文本是数字时代信息交流的主要方式。信息、博客、新闻文章、评论和固执己见的信息在互联网上比比皆是。人们通常在网上购买产品，并发布他们对购买物品的意见。这些反馈公开展示，以帮助其他人做出购买决定，这就需要一种机制来提取和总结有用的信息，以加强决策过程。我们的贡献是通过结合三个主要领域的不同技术，名为数据采掘，自然语言处理技术和本体，以提高提取的准确性。建议的框架顺序挖掘产品方面和用户的意见，组的代表性方面的相似性，并产生一个输出摘要。本文主要研究如何利用自然语言、本体论和频繁（标签）集从评论中提取所有可能的方面和意见，从而提取产品方面和用户意见。拟议框架与现有基线模式相比，产生了可喜的成果。
2014-04-08 cs.CL cs.IR
Analyzing Examinee Comments using DistilBERT and Machine Learning to Ensure Quality Control in Exam Content
本研究利用DistilBERT和机器学习分析考生评论以识别问题试题，证明NLP标记能补充传统统计方法，提高考试效度并减轻人工审查负担。
2025-04-08 cs.CL
The Impact of Indirect Machine Translation on Sentiment Classification
ADAPT Centre, Dublin City University（都柏林城市大学 ADAPT 中心）；Trinity Centre for Literary and Cultural Translation and ADAPT Centre, Trinity College Dublin（都柏林圣三一学院文学与文化翻译中心及 ADAPT 中心）
情感分类对于许多自然语言处理（NLP）应用程序至关重要，例如电影评论，推文或客户反馈的分析。需要足够大量的数据来构建一个强大的情感分类系统。然而，这些资源并不总是可用于所有领域或所有语言。在这项工作中，我们建议采用一个机器翻译（MT）系统翻译成另一种语言的客户反馈调查在何种情况下翻译的句子可以有一个积极或消极的影响自动情感分类。此外，由于执行直接翻译并不总是可能的，我们探讨了自动分类器的性能，已被翻译使用枢轴MT系统的句子。我们使用上述方法进行了几次实验，以分析我们提出的情感分类系统的性能，并讨论对翻译句子进行分类的优点和缺点。
2020-08-25 cs.CL
Analyzing Feedback Mechanisms in AI-Generated MCQs: Insights into Readability, Lexical Properties, and Levels of Challenge
Lebanese University（黎巴嫩大学）；ESIEA（法国ESIEA学院）
本研究分析了Gemini 1.5-flash模型为计算机科学MCQ生成的反馈的语言特征，并训练基于RoBERTa的MTL模型预测其可读性与词汇丰富度，揭示了反馈语气与问题难度的交互效应，为开发个性化AI反馈机制提供了依据。
2025-04-19 cs.AI cs.CL
MARS: Multilingual Aspect-centric Review Summarisation
本文提出MARS框架，采用“先抽取后摘要”的两步范式，解决领域无关的方面级多语言评论摘要问题，并在自动与人工评估中显著优于抽象式基线且提升实时系统效率。
2024-10-13 cs.CL
