Gradient-Boosted Decision Tree for Listwise Context Model in Multimodal Review Helpfulness Prediction
National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）；Carnegie Mellon University（卡内基梅隆大学）；DAMO Academy（达摩院）
本文提出列表式注意力网络和梯度提升决策树，用于多模态评论有用性预测，以提升模型泛化能力与排名准确性。
2026-05-12 cs.CL
Adaptive Contrastive Learning on Multimodal Transformer for Review Helpfulness Predictions
National University of Singapore（国立新加坡大学）；VinAI Research（VinAI研究院）；Nanyang Technological University（南洋理工大学）；DAMO Academy（达摩院）
本文提出多模态对比学习方法，通过增强跨模态关系和自适应加权方案提升多模态评论有用性预测性能，实验证明优于现有方法。
2026-05-12 cs.CL
Using Argument-based Features to Predict and Analyse Review Helpfulness
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；School of Automation, Beijing Information Science and Technology University（北京信息科技大学自动化学院）；Qihoo 360 Search Lab（奇虎360搜索实验室）
本文研究了有用的产品评论识别问题。我们观察到，证据-结论话语关系（也称为论点）经常出现在产品评论中，我们假设一些基于论点的特征，如论证句的百分比，证据-结论比率，是有用评论的良好指标。为了验证这一假设，我们手动注释的参数在110酒店评论，并调查的有效性的几种组合的参数为基础的功能。实验表明，当与基于参数的特征一起使用时，最先进的基线特征可以享受平均11.01%的性能提升（以F1计）。
2017-07-23 cs.CL
ViMRHP: A Vietnamese Benchmark Dataset for Multimodal Review Helpfulness Prediction via Human-AI Collaborative Annotation
Faculty of Information Science and Engineering（信息科学与工程学院）；University of Information Technology（信息技术大学）；Vietnam National University（越南国家大学）
本文提出越南语多模态评论有用性预测基准数据集ViMRHP，覆盖四个领域、2K产品和46K评论，并通过人机协同标注将标注时间从90-120秒降至20-40秒、成本降低约65%，同时验证了AI辅助标注的质量与局限性。
2025-07-04 cs.CL
SANCL: Multimodal Review Helpfulness Prediction with Selective Attention and Natural Contrastive Learning
Singapore University of Technology and Design（新加坡科技设计大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
随着电子商务的蓬勃发展，多模态评论有用性预测（MRHP）成为研究热点，其目的是根据预测的有用性分数对产品评论进行排序。以往的研究主要集中在基于注意力的模态融合、信息整合和关系建模等方面，主要存在以下不足：1）注意力的不加选择性导致模型无法捕捉到真正重要的信息; 2）缺乏适当的建模方法来充分利用数据之间的相关性。在本文中，我们提出了SANCL：选择性注意和自然对比学习的MRHP。SANCL采用基于探测器的策略，对重要性更高的区域实施高关注权重。它还构建了一个对比学习框架的基础上自然匹配属性的数据集。在两个基准测试数据集上的实验结果表明，SANCL以较低的内存消耗实现了最先进的基线性能。
2022-10-05 cs.AI cs.CL
Evaluating the Effectiveness of Pre-trained Language Models in Predicting the Helpfulness of Online Product Reviews
Tilburg University（蒂尔堡大学）
本文比较 RoBERTa 与 XLM-R 预测在线产品评论有用性的效果，基于 Amazon 数据集发现预训练模型显著优于 random forest 基线，附加评分特征可进一步提升性能。
2023-02-19 cs.CL cs.LG
How opinions are received by online communities: A case study on Amazon.com helpfulness votes
Cornell University（康奈尔大学）；Google Inc.（谷歌公司）
有许多用户公开表达意见的在线设置。其中一些提供了其他用户评估这些意见的机制;一个典型的例子是Amazon.com，其中评论带有注释，如“32人中有26人认为以下评论有帮助。“意见评估也出现在许多离线环境中，包括市场研究和政治运动。对一个观点的评价进行推理与对观点本身进行推理是根本不同的：而不是问：“Y对X有什么看法？我们要问的是，“Z对Y对X的看法是什么？”“在这里，我们开发了一个分析和建模意见评估的框架，使用大规模的亚马逊书评作为数据集。我们发现，一个审查的感知帮助不仅取决于它的内容，但也在微妙的方式上如何表达的评价涉及到同一产品的其他评价。作为我们方法的一部分，我们开发了新的方法，利用审查“剽窃”的现象来控制文本在意见评价中的影响，我们提供了一个简单而自然的数学模型与我们的研究结果相一致。我们的分析还使我们能够区分来自社会学和社会心理学的竞争理论的预测，并发现来自不同国家的用户群体的集体意见评估行为的意想不到的差异。
2009-06-21 cs.CL cs.IR physics.data-an
Review-guided Helpful Answer Identification in E-commerce
The Chinese University of Hong Kong（香港中文大学）
特定产品的社区问答平台可以极大地帮助解决潜在客户的问题。然而，用户在这些平台上提供的答案往往在质量上有很大差异。来自社区的帮助投票可以表明答案的整体质量，但它们往往是缺失的。准确预测给定问题的答案的有用性，从而识别有用的答案正在成为一个迫切的需求。由于答案的有用性取决于多个角度，而不是在典型的QA任务中仅调查主题相关性，因此常见的答案选择算法不足以处理此任务。在本文中，我们提出了评论引导的答案有用性预测（RAHP）模型，不仅考虑了问答对之间的相互作用，但也调查的答案之间的意见一致性和群众的意见反映在评论，这是另一个重要因素，以确定有用的答案。此外，我们处理的任务，确定意见一致性作为一个语言推理问题，并探讨利用预训练策略转移的文本推理知识，从一个专门设计的训练网络。在七个产品类别的真实数据上进行的广泛实验表明，我们提出的模型在预测任务上具有优异的性能。
2020-03-13 cs.CL
Understanding the Role of Two-Sided Argumentation in Online Consumer Reviews: A Language-Based Perspective
University of Freiburg（弗赖堡大学）；University of Oxford（牛津大学）
本文考察了双边论证对在线消费者评论有用性感知的影响。与以前的作品相比，我们的分析从而揭示了从基于语言的角度接受评论。为此，我们提出了一个有趣的文本分析方法的基础上分布式文本表示和多实例学习操作化的双面性的评论文本中的论证。随后使用大量亚马逊评论语料库进行的实证分析表明，评论中的双面论证显着增加了它们的有用性。我们发现，这种效果是更强的积极评论比负面评论，而更高程度的情感语言削弱了效果。我们的研究结果对零售商平台有直接的影响，这些平台可以利用我们的结果来优化他们的客户反馈系统，并提供更有用的产品评论。
2018-12-24 cs.CL cs.LG
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
Exploring Latent Semantic Factors to Find Useful Product Reviews
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
消费者提供的在线评论是电子商务平台的宝贵资产，影响潜在消费者做出购买决策。然而，这些评论的质量参差不齐，有用的评论被埋在一堆没有信息的评论中。在这项工作中，我们试图自动识别审查质量方面的帮助，最终消费者。与以前在这一领域利用各种句法和社区级别的功能的作品相比，我们深入研究了评论的语义是什么使它们有用，提供了可解释的解释。我们确定了一组一致性和语义因素，所有这些因素都来自用户生成的评论的文本，评级和时间戳，使我们的方法在所有社区和领域中具有普遍性。我们从几个潜在的因素来探讨评论语义，比如作者的专业知识，他对底层产品的细粒度方面的判断，以及他的写作风格。这些都投到一个隐马尔可夫模型-潜在狄利克雷分配（HMM-LDA）为基础的模型，共同推断：（i）审查专家，（ii）项目方面，和（iii）审查有用。在亚马逊的五个真实世界数据集上进行的大规模实验显示，在预测和排名有用评论方面，与最先进的基线相比，有了显着的改进。
2017-05-06 cs.AI cs.CL cs.IR
Exploring the Distribution Regularities of User Attention and Sentiment toward Product Aspects in Online Reviews
Nanjing University of Science and Technology（南京理工大学）；Peking University（北京大学）
【目的】为了更好地理解在线评论，帮助潜在消费者、商家和产品制造商有效获取用户对产品方面的评价，从时间维度探讨用户对产品方面的关注和情感的分布规律。[设计/方法/途径]在线评论的时间特征（购买时间、评论时间、以及购买时间与评论时间之间的时间间隔），相似属性聚类，基于京东三款产品超过34万条智能手机评论，采用属性级情感计算技术（国内著名的网上购物平台），探讨用户对产品的关注度和情感的分布规律。[研究结果]实证结果表明，幂律分布可以适合用户的注意力，产品方面，并在短时间间隔内发布的评论包含更多的产品方面。此外，研究结果还表明，在短时间内，产品各方面的用户情感值显著升高/降低，这有助于判断产品的优势和劣势。【研究局限】由于购物平台对评论抓取的限制，本文无法获取更多具有时间特征的商品的在线评论来验证研究结果。[独创性/价值]这项工作揭示了用户对产品方面的注意力和情感的分布，这对于辅助决策，优化评论呈现，改善购物体验具有重要意义。
2022-09-08 cs.CL cs.IR
Information Types in Product Reviews
OriginAI（奥里吉纳AI公司）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本研究设计了包含24种交际目标的产品评论信息分类体系，结合零样本多标签分类器实现大规模评论分析，可预测评论有用性与情感并提供解释，还能支持评论意图、有效性及修辞结构的分析。
2025-02-20 cs.CL
PREMISE: Matching-based Prediction for Accurate Review Recommendation
Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（国立新加坡大学）
提出PREMISE架构，通过计算多尺度多领域表征并过滤重复语义获取匹配分数作为特征，在多模态评论有用性任务上以更低计算成本显著超越基于融合的方法。
2025-05-02 cs.CL cs.IR cs.MM
Lexical Based Semantic Orientation of Online Customer Reviews and Blogs
Institute of Computing and Information Technology, Gomal University（戈马尔大学计算与信息技术学院）
互联网用户的快速增长以及在线评论网站和社交媒体的日益强大，催生了情感分析或意见挖掘，旨在确定其他人的想法和评论。情绪或意见包含关于产品、服务、政策和政治的公共生成内容。人们通常有兴趣寻求包含喜欢和不喜欢的积极和消极的意见，由用户共享特定产品或服务的功能。针对评论和博客等不同类型的数据，提出了基于词汇的领域无关情感分类方法。所提出的方法是基于一般的词汇，即WordNet，SentiWordNet和用户定义的词汇词典的语义方向。这些字典的关系和注释为域可移植性问题提供了解决方案。该方法比基于词和文本级语料库的机器学习方法更好地进行语义定向。实验结果表明，该方法在文本和句子两个层次上对在线评论的准确率分别达到87%和83%。
2016-07-08 cs.CL cs.IR
Fake Reviews Detection through Analysis of Linguistic Features
Texas Tech University（得克萨斯理工大学）
在线评论对企业的成功或失败起着不可或缺的作用。在购买服务或商品之前，客户首先查看以前客户提交的在线评论。然而，通过发布假冒和虚假评论，表面上可以促进或阻碍一些企业。本文探索了一种自然语言处理方法来识别虚假评论。我们提出了一个详细的分析语言特征区分虚假和可信的在线评论。我们研究了15个语言特征，并衡量其意义和重要性，在这项研究中采用的分类方案。我们的研究结果表明，虚假评论往往包括更多的冗余术语和停顿，并且通常包含较长的句子。几种机器学习分类算法的应用表明，我们能够使用这些语言特征高精度地区分虚假评论和真实评论。
2020-10-08 cs.CL cs.IR
Mining Worse and Better Opinions. Unsupervised and Agnostic Aggregation of Online Reviews
Institute of Informatics and Telematics (IIT-CNR)（信息学与远程通信研究所 (IIT-CNR)）；LUCENSE SCaRL
在本文中，我们提出了一种新的方法来聚合在线评论，根据他们表达的意见。我们的方法是无监督的-因为它不依赖于预先标记的评论-而且它是不可知的-因为它不对评论内容的领域或语言做出任何假设。我们衡量的坚持审查内容的领域术语提取的审查集。首先，我们展示了与评论相关的分数的遵守度量的信息性。然后，我们利用这些度量值进行分组评论，根据他们表达的意见。我们的实验活动是在分别从Booking和Amazon收集的两个大型数据集上进行的。
2017-04-18 cs.CL cs.IR cs.SI
Mining customer product reviews for product development: A summarization process
CentraleSupélec（中央高等电力学院）；Université Paris-Saclay（巴黎-萨克雷大学）；Ecole Centrale de Nantes（南特中央理工学院）；IRCCyN（南特中央理工学院法国国家科研中心联合研究所）
本研究旨在从网上评论中识别和构建与顾客好恶相关的词语和表达，以指导产品开发。以前的方法主要集中在产品特征上。然而，评论者表达他们的偏好不仅在产品功能上。在本文中，在广泛的设计科学文献综述的基础上，作者提出了一个包含多个方面的用户偏好，如产品启示，情感，使用条件的摘要模型。同时，描述这些方面的偏好的语言模式被发现和起草的注释准则。一个案例研究表明，与建议的模型和注释准则，人类注释者可以结构的在线评论具有较高的相互协议。由于高一致性的人工标注结果对于使用自然语言处理自动化在线评论摘要过程至关重要，因此本研究为自动化的未来研究提供了材料。
2020-01-13 cs.CL cs.IR
Online Fake Review Detection Using Supervised Machine Learning And BERT Model
CU Kashmir（克什米尔中央大学）；IIT Patna（印度理工学院巴特那分校）
在过去的几年里，网上购物商店稳步增长。由于这些业务的大量增长，虚假评论的检测引起了人们的关注。虚假评论严重地试图误导客户，从而破坏在线购物环境的诚实性和真实性。到目前为止，已经提出了各种假评论分类器，这些分类器考虑了评论的实际内容。为了提高现有的虚假评论分类或检测方法的准确性，我们提出使用BERT（Bidirectional Encoder Representation from Transformers）模型从文本（即评论）中提取词嵌入。词嵌入可以通过各种基本方法获得，例如SVM（支持向量机）、随机森林、朴素贝叶斯等。还考虑了混淆矩阵方法来评价和图形化表示结果。结果表明，SVM分类器在准确率和f1得分方面优于其他分类器，准确率为87.81%，比以前研究中使用的分类器高7.6%[5]。
2023-01-09 cs.AI cs.CL cs.IR
Opinion Spam Recognition Method for Online Reviews using Ontological Features
现在，有很多人使用社交媒体的意见，使他们购买产品或服务的决定。垃圾意见检测是一个很难的问题，因为组织和个人可以出于不同的目的进行虚假评论。他们撰写虚假评论，通过推广或降级目标产品来误导读者或自动检测系统，以促进他们或损害他们的声誉。在本文中，我们提出了一种新的方法，使用基于知识的本体检测意见垃圾邮件的准确率高（高于75%）。关键词：垃圾意见，虚假评论，电子商务，本体论。
2018-07-29 cs.AI cs.CL cs.IR
Online Deception Detection Refueled by Real World Data Collection
Texas A&M University（德克萨斯A&M大学）
大型真实数据集的缺乏是在线欺骗检测研究的一个瓶颈。在本文中，我们应用数据汇集方法的基础上社会网络分析，以快速识别高质量的欺骗性和真实的在线评论从亚马逊。该数据集包含超过10，000条欺骗性评论，并且在产品领域和评论者中存在差异。使用这个数据集，我们探索有效的一般功能，在线欺骗检测，以及跨域。我们证明，与广义功能-广告说话和写作的复杂性分数-欺骗检测性能可以进一步提高，通过添加额外的欺骗性评论，从各种领域的培训。最后，审稿人水平评估提供了一个有趣的洞察不同的欺骗性审稿人的写作风格。
2017-07-28 cs.CL
Detecting Objectifying Language in Online Professor Reviews
Graduate Center, City University of New York（纽约市立大学研究生中心）
学生的评语经常提到教授的外貌。直到最近，RateMyProfessors.com，这项研究的重点网站，使用了一个设计功能，以鼓励大学教授的“热或不热”的评级。在最近的#MeToo和#TimesUp运动之后，社会对这些评论的不适当性的认识有所提高;然而，客观化的评论仍然存在，并继续在这种在线环境中发布。我们描述了两个监督文本分类检测客观化的评论教授评论。然后，我们集成这些分类器，并使用由此产生的模型来跟踪客观化的评论规模。我们测量了十年期间客观化评论，评论网站界面的变化和教师性别之间的相关性。
2020-10-16 cs.CL
Identifying Helpful Sentences in Product Reviews
Amazon（亚马逊）；Emory University（埃默里大学）
近年来，网上购物已经获得了发展势头，并成为希望节省时间和简化购物过程的客户的重要场所。网上购物的一个关键优势是能够阅读其他客户对感兴趣的产品的评论。在这项工作中，我们的目标是保持这种优势的情况下，需要极端简洁，例如，当购物的声音。我们提出了一个新的任务，提取一个单一的代表性有用的句子，从一组评论为一个给定的产品。选择的句子应该满足两个条件：第一，它应该有助于购买决策;第二，它表达的观点应该得到多个评论者的支持。该任务与产品评论领域中的多文档摘要任务密切相关，但其目标和简洁程度不同。我们通过众包收集了一个英语句子帮助分数的数据集，并证明了它的可靠性，尽管涉及固有的主观性。接下来，我们描述了一个完整的模型，该模型提取了对产品具有积极和消极情绪的代表性有用句子，并证明它优于几个基线。
2021-07-11 cs.CL cs.LG
A study on text-score disagreement in online reviews
在本文中，我们专注于在线评论，并采用人工智能工具，从认知计算领域，以帮助理解评论的文本部分和分配的数值分数之间的关系。我们从直觉出发，1）一组表达不同情绪的文本评论可能具有相同的分数（反之亦然）; 2）检测和分析评论内容与实际分数之间的不匹配可能使服务提供者和消费者受益，通过突出文本中的满意度（和不满意度）的特定因素。为了证明直觉，我们采用了情感分析技术，我们专注于酒店评论，找到极性不匹配。特别是，我们首先训练一个文本分类器与一组注释的酒店评论，从预订网站。然后，我们分析了一个大型数据集，其中包含从Tripadvisor收集的大约16万条酒店评论，目的是检测极性不匹配，表明评论的文本内容是否与相关分数一致。使用成熟的人工智能技术，并深入分析文本极性和分数之间不匹配的评论，我们发现-在五星的范围内-那些排名中等的评论包括积极和消极的方面。这里提出的方法除了充当极性检测器之外，还提供了对评论的有效选择（在初始的非常大的数据集上），这可以允许消费者和提供者直接关注以文本/分数不一致为特征的评论子集，这方便地向用户传达评论目标的正面和负面特征的总结。
2017-07-21 cs.CL cs.IR cs.SI
A framework for fake review detection in online consumer electronics retailers
Universidad Politécnica de Madrid（马德里理工大学）
在过去几年中，在线评论对企业的影响显著增长，对于决定从餐馆，酒店到电子商务等广泛行业的业务成功至关重要。不幸的是，一些用户使用不道德的手段，通过撰写对其企业或竞争对手的虚假评论来提高他们的在线声誉。以前的研究已经解决了许多领域的虚假评论检测，例如餐馆和酒店的产品或商业评论。然而，尽管它的经济利益，消费电子业务的领域尚未得到彻底的研究。本文提出了一个功能框架，用于检测已在消费电子领域进行了评估的虚假评论。贡献有四个方面：（i）基于抓取技术构建用于对四个不同城市的消费电子领域的虚假评论进行分类的数据集;（ii）定义用于虚假评论检测的特征框架;（iii）基于所提出的框架开发虚假评论分类方法;以及（iv）评估和分析每个研究城市的结果。我们在分类任务上达到了82% F-Score，并且根据Friedman测试，Ada Boost分类器通过统计手段被证明是最好的分类器。
2019-03-29 cs.CL
Latent Aspect Detection from Online Unsolicited Customer Reviews
Amirkabir University of Technology（阿米卡比尔理工大学）；Press’nXPress（Press’nXPress公司）；University of Windsor（温莎大学）
在评论分析的背景下，方面是客户针对其意见和情感的产品和服务的特征。方面检测有助于产品所有者和服务提供商识别缺点并优先考虑客户的需求，从而保持收入并减轻客户流失。现有的方法集中于通过训练监督学习方法来检测方面的表面形式，当方面在评论中是潜在的时，监督学习方法就不起作用了。在本文中，我们提出了一种无监督的方法来提取方面的潜在出现。具体来说，我们假设客户在撰写评论时经历了两个阶段的假设生成过程：（1）在产品或服务可用的一组方面中决定一个方面，以及（2）从语言中可用的所有单词中编写与所选方面更相关的意见单词。我们采用潜在的Dirichlet分配来学习潜在的方面分布，以生成评论。基准数据集上的实验结果表明，我们提出的方法是能够提高最先进的方面是潜在的，没有表面形式的评论。
2022-04-14 cs.CL cs.IR cs.LG
Sentiment Analysis of Lithuanian Online Reviews Using Large Language Models
Kaunas University of Technology（考纳斯理工大学）
本文针对立陶宛语在线评论情感分析任务，首次应用多语言大型语言模型进行微调，微调后的BERT和T5模型在识别一星和五星评论上分别达到80.74%和89.61%的准确率，显著优于GPT-4。
2024-07-29 cs.CL cs.IR cs.LG
Generating Sentiment-Preserving Fake Online Reviews Using Neural Language Models and Their Human- and Machine-based Detection
Saarland Informatics Campus（萨尔信息学园区）；University of Southern California（南加州大学）；National Institute of Informatics（国立信息学研究所）；SOKENDAI（综合研究大学院大学）
先进的神经语言模型（NLM）被广泛用于序列生成任务，因为它们能够生成流畅和有意义的句子。它们还可以用来生成虚假评论，然后可以用来攻击在线评论系统并影响在线购物者的购买决策。为了执行这样的攻击，专家有必要针对特定主题训练量身定制的LM。在这项工作中，我们证明了一个低技能的威胁模型可以通过结合公开可用的LM来构建，并证明所产生的虚假评论可以欺骗人类和机器。特别地，我们使用GPT-2 NLM基于具有期望情感的评论生成大量高质量评论，然后使用基于BERT的文本分类器（准确率为96%）过滤掉具有不期望情感的评论。因为评论中的单词都没有被修改，所以可以从学习的分布中生成流畅的样本，如训练数据。80名参与者的主观评价表明，这种简单的方法可以产生与人写的评论一样流畅的评论。它还表明，参与者倾向于随机区分虚假评论。三种对策，Grover，GLTR和OpenAI GPT-2检测器，被发现难以准确检测虚假评论。
2019-12-03 cs.CL cs.CR cs.IR
Suggestion Mining from Online Reviews using ULMFiT
NSIT-Delhi（德里内塔吉·苏巴斯理工学院）；Bloomberg（彭博）；DTU-Delhi（德里理工大学）；Adobe（奥多比）；IIIT-Delhi（德里英迪拉·甘地信息技术学院）
在本文中，我们介绍了SemEval 2019任务9的子任务A的方法和系统描述：从在线评论和论坛中挖掘建议。给定一个句子，任务要求预测句子是否包含建议。我们的模型是基于通用语言模型微调文本分类。我们在训练语言和分类模型之前应用各种预处理技术。我们进一步提供了使用训练模型获得的结果的详细分析。我们的团队在34名参赛者中排名第10，获得了0.7011的F1分数。我们在https://github.com/isarth/SemEval9_MIDAS上公开分享我们的实现
2019-04-19 cs.CL
Enhanced Review Detection and Recognition: A Platform-Agnostic Approach with Application to Online Commerce
Institute of Innovation, Science and Sustainability, Federation University（联邦大学创新、科学与可持续发展研究所）；Transitional AI Research Group（过渡人工智能研究集团）
本研究提出一种跨平台的机器学习评论检测提取方法，可泛化到训练集外的网站，并实现了情感不一致分析、多语言支持、虚假评论检测三大应用，助力在线商务的跨来源评论自动评估。
2024-05-09 cs.AI cs.CL
Spotting Collective Behaviour of Online Frauds in Customer Reviews
Indraprastha Institute of Information Technology Delhi (IIITD)（德里英德拉普拉斯塔信息技术学院（IIITD））；Netaji Subhas University of Technology (NSUT)（内塔吉·苏巴斯科技大学（NSUT））
在线评论在购买任何产品之前决定质量方面发挥着至关重要的作用。不幸的是，垃圾邮件发送者经常利用在线评论论坛撰写欺诈评论来推广/降级某些产品。当这些垃圾邮件发送者勾结并共同注入垃圾邮件评论时，可能会变得更加有害，因为他们可以完全控制用户的情绪，因为他们注入的欺诈评论量很大。因此，组垃圾邮件检测比个人层面的欺诈检测更具挑战性，由于一个组的定义不明确，组间动态的变化，标记的组级垃圾邮件数据的稀缺性等，在这里，我们提出了反欺诈，一种无监督的方法来检测在线欺诈审查组。它首先通过利用底层产品评论图并结合几个行为信号来检测候选欺诈组，这些行为信号模拟了评论者之间的多方面协作。然后，它将评论者映射到一个嵌入空间，并为每个组分配一个垃圾邮件分数，这样，由具有高度相似行为特征的垃圾邮件发送者组成的组就可以获得高的垃圾邮件分数。在与四个真实世界数据集的五个基线（其中两个是由我们策划的）进行比较时，DeFrauder表现出卓越的性能，超过了最佳基线，在整个数据集上NDCG@50（平均）高出17.11%。
2019-07-27 cs.CL cs.SI
Measuring Book Impact Based on the Multi-granularity Online Review Mining
Nanjing University of Science and Technology（南京理工大学）；Jiangsu Key Laboratory of Data Engineering and Knowledge Service (Nanjing University)（江苏省数据工程与知识服务重点实验室（南京大学））；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）；East China Normal University（华东师范大学）
与文章和期刊一样，衡量书籍学术影响力的传统方法主要涉及引用，这很容易，但仅限于询问传统的引文数据库和学术书评，研究人员试图使用其他指标，如Google Books，libcitation和出版商声望。然而，这些方法缺乏内容层面的信息，不能确定用户的引用意图。同时，丰富的在线学术书籍评论资源可以利用高度的视角挖掘更深层次的信息和内容。在这项研究中，我们测量的影响，学术书籍的多粒度挖掘在线评论，我们确定的因素，影响一本书的影响。首先，抓取并处理Amazon.cn上学术书籍样本的在线评论。然后，进行多粒度评论挖掘，以识别评论情感极性和方面的情感值。最后，正面评论和负面评论的数量、方面情感值、星级值和关于有用性的信息通过熵方法进行整合，并导致最终书籍影响力分数的计算。通过我们的方法与传统的图书引用获得的图书影响力分数的相关性分析的结果表明，虽然有很大的差异，学科领域，在线书评往往反映学术影响。因此，我们推断，在线评论是一个很有前途的来源，挖掘书籍的影响力在altmetric的角度来看，在多粒度的内容水平。此外，我们提出的方法也可能是衡量学术出版物以外的其他书籍的一种手段。
2016-03-26 cs.CL cs.DL
Estimating the Prevalence of Deception in Online Review Communities
Cornell University（康奈尔大学）
消费者的购买决定越来越受到用户生成的在线评论的影响。因此，人们越来越担心发布“欺骗性意见垃圾邮件”的可能性-故意写的虚假评论听起来真实，欺骗读者。但是，虽然这种做法已经收到了相当大的公众关注和关注，相对较少的是知道的实际患病率，或率，欺骗在网上评论社区，和更少的影响它的因素，我们提出了一个生成模型的欺骗，结合欺骗分类，我们用来探索欺骗的流行在六个流行的网上评论社区：Expedia，Hotels.com，Orbitz，Priceline，TripAdvisor，和Yelp。我们还提出了一个基于经济信号理论的在线评论的理论模型，其中消费者评论通过充当产品真实未知质量的信号来减少消费者和生产者之间固有的信息不对称。我们发现，欺骗性的意见垃圾邮件是一个日益严重的问题，但不同的社区增长率。我们认为，这些比率是由每个评论社区与欺骗相关的不同信号成本驱动的，例如，发布要求。当采取措施增加信令成本时，例如，过滤由第一次评论者撰写的评论，有效地降低了欺骗流行率。
2012-04-12 cs.CL cs.CY cs.SI
Opinion Mining in Online Reviews About Distance Education Programs
CITEC Bielefeld University（比勒费尔德大学CITEC）；Semalytix（Semalytix公司）；Online Akademie（在线学院）；IMS Uni Stuttgart（斯图加特大学IMS）
远程教育项目的普及正在快速增长。与此同时，学生之间在论坛、社交媒体和复习平台上的在线交流也在增加。利用这些信息来支持同学或机构需要提取相关的意见，以便自动生成报告，提供不同远程教育计划的利弊概述。我们报告的实验涉及远程教育专家的目标是开发一个数据集的评论注释相关的类别和方面，在每个类别中讨论的具体审查连同情绪的指示。基于这个实验，我们提出了一种方法来提取一般类别和具体方面的讨论中的审查连同他们的情绪。我们框架这个任务作为一个多标签的分层文本分类问题，并实证研究不同的分类架构的性能，以耦合预测的类别与预测的特定方面在这个类别。我们评估不同的架构，并表明，分层的方法导致优越的结果相比，一个平面模型，独立决策。
2016-07-21 cs.CL
OpinioRAG: Towards Generating User-Centric Opinion Highlights from Large-scale Online Reviews
University of Alberta（阿尔伯塔大学）
本文提出 OpinioRAG，一个结合 RAG 和 LLM 的无需训练框架，用于从大规模用户评论中生成个性化观点摘要，并提供了新的无参考验证指标和首个大规模长篇评论数据集。
2025-11-01 cs.AI cs.CL cs.IR
Mining Customers' Opinions for Online Reputation Generation and Visualization in e-Commerce Platforms
Sidi Mohamed Ben Abdellah University (USMBA)（西迪·穆罕默德·本·阿卜杜拉大学）
客户评论是一个非常丰富的数据源，我们可以从中提取有关不同在线购物体验的非常有价值的信息。收集的数据量可能非常大，尤其是对于时尚物品（产品、电影、电视节目、酒店、服务..），在那里，可用的客户意见的数量可以轻易地超过数千。事实上，虽然大量的评论确实可以提供有关项目质量的提示，但潜在客户可能没有时间或精力阅读所有评论以做出明智的决定（购买，租赁，预订.）。因此，需要正确的工具和技术来帮助完成这一任务，这对买方和卖方都是必要的。本论文的研究目标是通过对自然语言的在线评论进行挖掘，开发出一个能够自动为电子商业客户提供有价值信息的在线评价系统，以支持他们的在线决策过程。
2021-04-05 cs.CL
NetSpam: a Network-based Spam Detection Framework for Reviews in Online Social Media
University of Tehran（德黑兰大学）；Institut Mines-Telecom（法国矿业电信学院）
如今，很大一部分人在决策时依赖社交媒体中的可用内容（例如对主题或产品的评论和反馈）。任何人都可以留下评论的可能性为垃圾邮件发送者提供了一个黄金机会，可以针对不同的利益撰写关于产品和服务的垃圾评论。识别这些垃圾邮件发送者和垃圾邮件内容是一个热门的研究课题，虽然相当数量的研究最近已经完成了这一目标，但到目前为止，提出的方法仍然几乎没有检测垃圾邮件评论，他们都没有表现出每个提取的特征类型的重要性。在这项研究中，我们提出了一个新的框架，命名为NetSpam，它利用垃圾邮件的功能建模审查数据集异构信息网络映射到这样的网络中的分类问题的垃圾邮件检测过程。利用垃圾邮件特征的重要性，可以帮助我们在Yelp和Amazon网站的真实评论数据集上实验不同的指标，从而获得更好的结果。实验结果表明，NetSpam的性能优于现有的方法，在评论行为、用户行为、评论语言、用户语言四类特征中，第一类特征的性能优于其他类别。
2017-03-10 cs.CL cs.IR cs.SI
Using Text-Based Causal Inference to Disentangle Factors Influencing Online Review Ratings
Department of Computer Science Tulane University（计算机科学系路易斯安那大学）
提出基于CausalBERT的文本因果分析方法，通过温度缩放、超参数优化和可解释性改进，从60万条美国K-12学校评论中解构各因素对整体评分的影响。
2026-06-02 cs.CL
Sentiment Analysis of Online Travel Reviews Based on Capsule Network and Sentiment Lexicon
Beijing University of Posts and Telecommunications（北京邮电大学）
随着在线旅游服务的发展，及时挖掘用户对旅游服务的评价情绪，并以此为指标来指导在线旅游服务质量的提升，具有很大的应用前景。本文研究了基于社交媒体在线评论的在线旅游评论文本情感分类问题，提出了基于胶囊网络和情感词典的SCCL模型。SCCL模型是针对语言模型中缺乏对文本的局部特征和情感语义特征的考虑而提出的，该模型能够有效地提取文本的上下文特征，如BERT和GRU。然后针对其不足之处做以下改进。一方面，在BERT-BiGRU的基础上，引入胶囊网络，在提取局部特征的同时保留良好的上下文特征。另一方面，引入情感词典提取文本的情感序列，为模型提供更丰富的情感语义特征。为了增强情感词典的通用性，采用基于TF-IDF的改进SO-PMI算法对情感词典进行扩展，使情感词典在在线旅游评论领域也有良好的表现。
2022-06-05 cs.AI cs.CL
Semantic Polarity of Adjectival Predicates in Online Reviews
Hankuk University of Foreign Studies（韩国外国语大学）；Université Paris-Est（巴黎东大学）
网络用户产生越来越多的表达意见的文档。因为这些已经成为客户和制造商的重要资源，许多人都关注它们。人们的意见往往是通过具有积极或消极语义值的形容词来表达的。在从网络评论中提取用户意见信息时，准确识别形容词的语义极性是一个重要的要求。由于形容词在不同的语境中具有不同的语义指向，如果不考虑形容词与特定领域的特征名词之间的语义和词汇关系，就不能很好地提取出观点信息。在本文中，我们提出了一个形容词的极性分类，我们分析了在没有上下文的情况下是不确定的形容词。我们的研究应该是有用的，准确地预测意见句的语义倾向，并应考虑到依赖于自动方法之前。
2012-11-17 cs.CL
Unifying Topic, Sentiment & Preference in an HDP-Based Rating Regression Model for Online Reviews
Drexel University（德雷塞尔大学）；China Central Normal University（华中师范大学）
本文提出了一种新的基于HDP的在线评论评分回归模型--主题-情感-偏好回归分析（TSPRA）。TSPRA将主题（即产品方面），词情感和用户偏好作为回归因素结合起来，并且能够在一个框架中执行主题聚类，评论评级预测，情感分析以及我们发明的“关键方面”分析。TSPRA通过将协同过滤（CF）模型中的关键概念“用户偏好”纳入考虑范围来扩展情感方法，而与当前CF模型不同的是，TSPRA将“用户偏好”和“情感”解耦为独立因素。我们在22个亚马逊数据集上进行的实验显示，在错误率、Pearson相关性和反向对数量方面，与最先进的模型FLAME（2015）相比，评级预测的性能要好得多。对于情感分析，我们将派生的词情感与公共情感资源SenticNet 3进行比较，我们的情感估计在在线评论的背景下显然更有意义。最后，由于“用户偏好”与“情感”的去相关性，TSPRA能够评估一个新的概念“关键方面”，定义为用户严重关注但在评论中负面评论的产品方面。对这些“关键方面”的改进对于增强用户体验可能是最有效的。
2018-12-19 cs.CL cs.IR cs.LG
Predicting health inspection results from online restaurant reviews
The G. Raymond Chang School of Continuing Education, Ryerson University（瑞尔森大学G.雷蒙德·张继续教育学院）；Department of Computer Science, University of Toronto（多伦多大学计算机科学系）
围绕公共卫生的信息学正越来越多地从专业领域转向公共领域。在这项工作中，我们将语言分析应用于Yelp的餐厅评论，以自动预测官方健康检查报告。我们考虑两种类型的特征集，即，关键字检测和主题模型功能，并将其用于几种分类方法。我们的实证分析表明，这些提取的特征可以预测公共卫生检查报告，超过90%的准确率，使用简单的支持向量机。
2016-03-17 cs.CL cs.LG
Regularised Text Logistic Regression: Key Word Detection and Sentiment Classification for Online Reviews
National University of Singapore（新加坡国立大学）
对于酒店和餐饮行业的经理和高管来说，在线客户评论已经变得非常重要，他们希望全面了解客户的需求和期望。我们提出了一个正则化文本逻辑（RTL）回归模型来对非结构化文本数据进行文本分析和情感分类，该模型自动识别一组统计上显着且具有操作洞察力的单词特征，并实现了令人满意的预测分类精度。我们将RTL模型应用于TripAdvisor的两个在线评论数据集，餐厅和酒店。我们的研究结果表明，令人满意的分类性能相比，替代分类器的最高真阳性率为94.9%。此外，RTL识别了一小部分单词特征，对应于餐厅的3%和酒店的20%，这通过允许经理深入到更小的重要客户评论集合来提高工作效率。我们还发展了估计量的相合性、稀疏性和预言性。
2020-09-09 cs.CL cs.LG stat.ML
Align Generative Artificial Intelligence with Human Preferences: A Novel Large Language Model Fine-Tuning Method for Online Review Management
Department of Information Systems and Operations Management, The University of Texas at Arlington（信息系统与运营管理系，德克萨斯大学阿灵顿分校）；Department of Management Information Systems, University of Arizona（管理信息学系，亚利桑那大学）
本文提出一种新型微调方法，通过上下文增强和理论驱动的偏好微调，解决在线评论生成中的幻觉、偏好表示和保守优化问题，提升生成质量。
2026-04-23 cs.AI cs.CL
The Role of AI in Online Reviews
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本研究利用LLM供给冲击和Trustpilot上1300万条评论，发现AI生成内容使未验证评论更负面，并引发集中爆发，表明生成式AI正重塑平台声誉与竞争动态。
2026-09-22 cs.AI cs.CL cs.HC
A Surrogate-based Generic Classifier for Chinese TV Series Reviews
Virginia Tech（弗吉尼亚理工大学）；Xi’an Jiaotong Univeristy（西安交通大学）
随着Youtube、优酷、乐视等网络视频平台的兴起，网络电视剧的评论对于观众和制作方来说都变得越来越重要。消费者在选择电视剧之前严重依赖这些评论，而制片人则利用它们来提高质量。因此，根据不同的要求自动分类评论演变为一个热门的研究课题，在我们的日常生活中是必不可少的。本文以中国热门电视剧评论为研究对象，成功训练了基于八个预定义类别的类属分类器。实验结果表明，该方法具有良好的性能和推广到不同电视剧的有效性。
2016-11-21 cs.CL
Online detection and infographic explanation of spam reviews with data drift adaptation
University of Vigo（维戈大学）；Universidade Portucalense（波尔图大学）；ISEP, Polytechnic of Porto（波尔图理工学院ISEP）；Institute for Systems and Computer Engineering, Technology and Science（系统与计算机工程、技术与科学研究所）
针对在线平台垃圾评论泛滥、数据流场景下垃圾检测研究不足且缺乏透明度的问题，本文提出融合增量画像、数据漂移检测自适应与机器学习识别的在线垃圾评论检测方案，搭配信息图式可解释机制，最优垃圾评论F值达87%。
2024-06-21 cs.AI cs.CL cs.LG
A Review of Common Online Speaker Diarization Methods
University of Applied Science Ansbach（安斯应用技术大学）；Faculty of Business（商学院）
本文针对需低延迟实时输出说话人标签的场景，对在线说话人日志领域展开综述，梳理发展历程、给出分类体系与数据集，详述相关方法系统并提出未来待解挑战。
2024-06-20 cs.CL cs.SD eess.AS
Judge the Judges: A Large-Scale Evaluation Study of Neural Language Models for Online Review Generation
University of Michigan（密歇根大学）
我们进行了大规模的，系统的研究，以评估现有的评价方法生成自然语言的背景下，生成在线产品评论。我们将基于人类的评估器与各种自动评估程序进行比较，包括衡量机器生成的文本与人类书面文本区分程度的判别式评估器，以及评估生成的文本与人类书面参考文献相似程度的单词重叠度量。我们确定这些不同的评估者在多大程度上同意对十几个最先进的在线产品评论生成器的排名。我们发现，人类评估者与有区别的评估者没有很好的相关性，这就留下了一个更大的问题，即对抗性准确性是否是自然语言生成的正确目标。一般来说，区分机器生成的文本即使对于人类评估者来说也是具有挑战性的，并且人类决策与词汇重叠更好地相关。我们发现词汇多样性是一个有趣的指标，是不同的评价者的评估。对参与者的实验后调查提供了如何评估和提高自然语言生成系统质量的见解。
2019-09-05 cs.CL cs.LG stat.ML
RovoDev Code Reviewer: A Large-Scale Online Evaluation of LLM-based Code Review Automation at Atlassian
Monash University \& Atlassian Australia.；Monash University \& Atlassian
RovoDev Code Reviewer通过大规模评估展示了基于LLM的代码审查自动化在提升效率和质量方面的效果
2026-01-20 cs.AI cs.CL cs.LG
Turkish Sentiment Analysis Using Machine Learning Methods: Application on Online Food Order Site Reviews
Dokuz Eylul University（多库兹埃卢尔大学）
满意度测量，这出现在今天的每一个部门，是一个非常重要的因素，许多公司。在这项研究中，它的目的是通过使用Yemek Sepeti的数据和这些数据的变化，利用各种机器学习算法达到最高的准确率。每种算法的准确度值与所使用的各种自然语言处理方法一起计算。在计算这些精度值时，试图优化所使用的算法的参数。在这项研究中，在标记数据上训练的模型可以用于未标记数据，并可以为公司提供衡量客户满意度的想法。据观察，3种不同的自然语言处理方法的应用导致在大多数开发的模型中的准确性增加约5%。
2022-01-11 cs.CL cs.LG
Using Contextually Aligned Online Reviews to Measure LLMs' Performance Disparities Across Language Varieties
College of Information Sciences and Technology, The Pennsylvania State University（宾夕法尼亚州立大学信息科学与技术学院）；MetaMetrics Inc.（MetaMetrics公司）；Institute of Information Science, Academia Sinica（中央研究院资讯科学研究所）
本研究针对语言变体影响大语言模型性能的问题，提出利用国际在线评论平台构建上下文对齐的多语言变体数据集的方法，通过台湾与大陆普通话的情感分析实验验证了LLM在台湾地区普通话上表现持续偏低的结论。
2025-03-20 cs.CL cs.HC
Detecting Spam Reviews on Vietnamese E-commerce Websites
University of Information Technology（信息技术大学）；Vietnam National University Ho Chi Minh City（胡志明市越南国家大学）
顾客的评论在网上购物中起着至关重要的作用。人们经常参考以前客户的评论或意见来决定是否购买新产品。赶上这种行为，有些人创造虚假和非法评论来欺骗客户关于产品质量的虚假。这些被称为垃圾评论，在网购平台上迷惑消费者，对网购行为产生负面影响。我们提出了一个名为ViSpamReviews的数据集，它有一个严格的注释程序，用于检测电子商业平台上的垃圾评论。我们的数据集由两个任务组成：用于检测评论是否是垃圾邮件的二元分类任务和用于识别垃圾邮件类型的多类分类任务。PhoBERT在这两项任务上获得了最高的结果，分别为86.89%和72.17%，按宏观平均F1得分计算。
2022-12-09 cs.AI cs.CL
What Emotions Make One or Five Stars? Understanding Ratings of Online Product Reviews by Sentiment Analysis and XAI
Yonsei University（延世大学）
当人们在网上购买产品时，他们的决定主要基于在线评论中其他人的推荐。目前的工作是通过情感分析来分析这些在线评论，并使用提取的情感作为特征，通过几种机器学习算法来预测产品评级。这些预测通过各种可解释AI（XAI）方法进行分解，以了解模型在预测过程中是否显示出任何偏差。研究1对这些算法（knn，支持向量机，随机森林，梯度提升机，XGBoost）进行了基准测试，并将随机森林和XGBoost确定为预测产品评级的最佳算法。在研究2中，全局特征重要性的分析确定了情绪喜悦和情绪效价消极作为最具预测性的特征。两种XAI可视化方法，局部特征属性和部分依赖图，揭示了实例级别上的几个不正确的预测机制。执行基准分类，研究3确定了一个高的无信息率为64.4%，表明高类不平衡的根本原因，所确定的问题。总之，必须谨慎对待机器学习算法的良好性能，因为在这项工作中遇到的数据集可能偏向于某些预测。这项工作演示了XAI方法如何揭示这种预测偏差。
2020-02-29 cs.AI cs.CL cs.CY
