Polish-ASTE: Aspect-Sentiment Triplet Extraction Datasets for Polish
Poznan University of Technology（波兹南理工大学）；Adam Mickiewicz University（亚当·密茨凯维奇大学）；Charles University（查理大学）
本文提出了两个波兰语的情感三元组抽取数据集，涵盖酒店和产品评论，并结合两种ASTE技术与大型语言模型进行实验，以评估性能和数据难度，数据集以宽松许可发布，格式与英语数据集一致。
2025-02-27 cs.AI cs.CL
ExCode-Mixed: Explainable Approaches towards Sentiment Analysis on Code-Mixed Data using BERT models
Manipal Institute of Technology（马尼帕尔理工学院）
在印度等国家，社交媒体网站的使用越来越多，产生了大量代码混合数据。对这些数据的情感分析可以提供对人们的观点和意见的整体见解。开发强大的可解释性技术来解释为什么模型会做出预测变得至关重要。在本文中，我们提出了一个适当的方法来整合可解释的方法到代码混合的情感分析。
2021-09-25 cs.AI cs.CL cs.LG
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
Synthesizing Sentiment-Controlled Feedback For Multimodal Text and Image Data
Center for Machine Vision and Signal Analysis, University of Oulu（机器视觉与信号分析中心，奥卢大学）；Indian Institute of Technology Roorkee（印度理工学院罗尔基分校）；State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室，浙江大学）
针对人机交互中多模态输入情感可控反馈生成的空白，研究构建了CMFeed数据集，提出含编码器、解码器及可控性模块的合成系统，实现77.23%的情感分类准确率，较基线提升18.82%。
2025-10-03 cs.AI cs.MM
Sentiment Analysis on Customer Responses
University of Southern California（南加州大学）；Caltech（加州理工学院）
情感分析是计算机科学中发展最快的研究领域之一，这使得跟踪该领域中的所有活动变得具有挑战性。我们提出了一个客户对产品的反馈评论，我们利用意见挖掘，文本挖掘和情感，这已经影响了周围的世界，改变了他们对特定产品的看法。本研究中使用的数据是从Amazon.com收集的在线产品评论。我们对检索到的评论进行了比较情感分析。这篇研究论文为您提供了对智能手机的各种智能手机意见的情感分析，将其分为积极，消极和中性行为。
2020-07-05 cs.CL cs.IR cs.LG
A Comparative Study of Sentiment Analysis Using NLP and Different Machine Learning Techniques on US Airline Twitter Data
City University（城市大学）
今天的商业生态系统已经变得非常有竞争力。客户满意度已成为业务增长的主要焦点。商业组织正在花费大量的资金和人力资源在各种战略上，以了解和满足客户的需求。但是，由于对客户多样化需求的人工分析存在缺陷，许多组织无法实现客户满意。因此，他们正在失去客户的忠诚度，并花费额外的钱在营销上。我们可以通过实施情感分析来解决这些问题。它是自然语言处理（NLP）和机器学习（ML）的结合技术。情感分析被广泛用于从特定主题、产品和服务背后的更广泛的公众舆论中提取见解。我们可以从任何在线可用的数据中进行分析。在本文中，我们介绍了两种NLP技术（Bag-of-Words和TF-IDF）和各种ML分类算法（支持向量机，Logistic回归，Multinomial Naive Bayes，Random Forest），以找到一种有效的方法来对大型，不平衡和多类数据集进行情感分析。我们最好的方法提供了77%的准确率，使用支持向量机和逻辑回归与袋的话技术。
2021-10-02 cs.AI cs.CL cs.LG
A BERT based Ensemble Approach for Sentiment Classification of Customer Reviews and its Application to Nudge Marketing in e-Commerce
Walmart Global Tech（沃尔玛全球技术部门）
本文提出一种基于BERT的集成方法用于电商客户评论情感分类，并探讨其在助推营销中的应用，以提升顾客购买决策与平台互动。
2023-11-16 cs.CL cs.IR cs.LG
Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions
Rappi AI Research（Rappi人工智能研究院）
在这项工作中，我们提出了一个框架，完全依赖于基于聊天的客户支持（CS）的互动预测个人用户的推荐决策。在我们的案例研究中，我们分析了拉丁美洲一家大型电子商务公司的金融垂直领域内的1640万用户和4870万客户支持对话。因此，我们的主要贡献和目标是使用自然语言处理（NLP）来评估和预测推荐行为，除了使用静态情感分析，我们还利用每个用户的情感动态的预测能力。我们的研究结果表明，与各自的功能可解释性，它是可以预测的可能性，用户推荐的产品或服务，完全基于他们的CS对话的消息明智的情绪演变在一个完全自动化的方式。
2022-11-08 cs.CL cs.IR cs.LG
A Multilingual Sentiment Lexicon for Low-Resource Language Translation using Large Languages Models and Explainable AI
University of Pretoria（比勒陀利亚大学）
本研究构建了面向南非和刚果民主共和国低资源语言的多语言情感词典，结合机器学习与BERT模型提升翻译和情感分析性能，BERT达到99%准确率，并通过可解释AI增强透明度。
2024-11-06 cs.AI cs.CL cs.LG
Beyond Correlation: Refutation-Validated Aspect-Based Sentiment Analysis for Explainable Energy Market Returns
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Institute of High Performance Computing, Agency for Science, Technology and Research（科技研究局高性能计算研究所）；College of Design and Engineering, National University of Singapore（新加坡国立大学设计与工程学院）
本文提出了一种基于反驳验证的方面情感分析框架，用于金融市场，解决相关性研究无法区分真实关联与虚假关联的局限性。通过能源领域数据测试方面情感信号与股票收益之间的稳健关系。
2026-03-23 cs.AI cs.CL cs.LG
Towards Explainable Fusion and Balanced Learning in Multimodal Sentiment Analysis
School of Computer Science, South China Normal University（华南师范大学计算机学院）
针对多模态情感分析中融合决策缺乏可解释性与模态不平衡问题，提出KAN-MCP框架，集成KAN的可解释性与MCPareto的鲁棒性，通过DRD-MIB处理特征并动态平衡梯度，在基准数据集上实现优越性能且提供可视化界面。
2025-07-07 cs.AI cs.LG
Leveraging Explainable AI to Analyze Researchers' Aspect-Based Sentiment about ChatGPT
California State University Fullerton（加州州立大学富勒顿分校）；Western Michigan University（西密歇根大学）；Office of the Deputy Assistant Secretary of the Army (Procurement), ASA (ALT)（陆军副助理部长办公室（采购），陆军助理部长（后勤与资源））
本研究针对现有基于方面的情感分析适用场景有限的问题，提出利用可解释AI分析研究人员对ChatGPT各使用方面的情感，拓展了该技术在长文本研究数据上的应用边界。
2023-08-16 cs.CL cs.LG
Table2Vec: Automated Universal Representation Learning to Encode All-round Data DNA for Benchmarkable and Explainable Enterprise Data Science
University of Technology Sydney（悉尼科技大学）
企业数据通常涉及多个异构数据源和外部数据，它们分别记录业务活动、交易、客户人口统计、状态、行为、与企业的交互和通信，以及其产品、服务、生产、营销、运营和管理的消费和反馈，企业数据科学中的一个关键挑战是实现有效的整体企业数据理解和数据驱动的发现以及对全面企业DNA的决策。我们引入了一个神经编码器Table2Vec，用于从全方位的企业DNA中对客户等实体进行自动通用表示学习，并进行自动数据特征分析和数据质量增强。学习到的通用表示用作代表性和基准企业数据基因组，并且可以用于企业范围和特定于域的学习任务。Table 2 Vec集成了针对低质量企业数据和下游学习任务的自动化通用表示学习。我们举例说明了Table2Vec在复杂的异构多关系大表上表征企业中的全方位客户数据DNA，以构建通用的客户向量表示。每个客户的学习通用表示是全面的，具有代表性和基准性的，以支持企业数据科学中的企业范围和特定领域的学习目标和任务。Table2Vec显著优于通常用于企业分析的现有浅层、提升和深度学习方法。我们进一步讨论了自动化通用企业表示和学习的研究机会，方向和应用，以及自动化，通用，整个企业和道德机器学习和数据科学的学习企业数据DNA。
2021-12-03 cs.AI cs.LG
Airbnb Price Prediction Using Machine Learning and Sentiment Analysis
Stanford University（斯坦福大学）
在Airbnb上为出租物业定价对业主来说是一项具有挑战性的任务，因为它决定了这个地方的客户数量。另一方面，客户必须在对物业的最佳价值知之甚少的情况下评估报价。本文旨在使用机器学习、深度学习和自然语言处理技术开发一个可靠的价格预测模型，以帮助业主和客户在提供有关物业的最少可用信息的情况下进行价格评估。租金特征、业主特征和客户评论将构成预测因子，从线性回归到基于树的模型、支持向量回归（SVR）、K均值聚类（KMC）和神经网络（NN）等一系列方法将用于创建预测模型。
2019-07-29 cs.LG stat.ML
Statistical Analysis on E-Commerce Reviews, with Sentiment Classification using Bidirectional Recurrent Neural Network (RNN)
了解客户的情绪是至关重要的营销策略今天。它不仅可以让公司了解客户如何看待他们的产品和/或服务，还可以让他们了解如何改进他们的产品和服务。本文试图了解女性服装电子商业的客户评论中不同变量的相关性，并对每个评论进行分类，是否推荐被评论的产品，以及它是否包含积极，消极或中性的情绪。为了实现这些目标，我们对除评论标题和评论文本之外的数据集特征进行了单变量和多变量分析，并实现了一个具有长短期记忆单元（LSTM）的双向循环神经网络（RNN）用于推荐和情感分类。结果表明，推荐是积极情绪得分的有力指标，反之亦然。另一方面，产品评论中的评级是情感得分的模糊指标。我们还发现，双向LSTM能够达到F1分数0.88的推荐分类和0.93的情感分类。
2020-06-16 cs.CL cs.LG stat.ML
Explainable Artificial Intelligence for Customer Churn Prediction in Telecommunications: A Framework for CRM Integration
本文针对电信客户流失预测中模型不透明导致的CRM集成缺口，测试四种分类器并结合SHAP、LIME提供可解释性，提出四层CRM集成架构，预计可降低流失率3.3-5.3个百分点、节省19.9万-31.9万美元。
2026-08-28 cs.AI cs.LG
Explainable Multimodal Sentiment Analysis on Bengali Memes
Ahsanullah University of Science and Technology（阿赫萨努拉科技大学）
针对孟加拉语模因低资源、数据集不平衡问题，本文融合 ResNet50 与 BanglishBERT 进行多模态情感分析，获得 0.71 加权 F1 分数，并借助 XAI 解释模型行为。
2023-12-20 cs.AI cs.CL cs.CV
Evaluating LLM Usage for Efficient and Explainable Numerical and Classified Implicit Sentiment Analysis of Product Desirability
Creighton University（克雷顿大学）；The Beacom College of Computer & Cyber Sciences, Dakota State University（达科他州立大学比肯计算机与网络科学学院）
提出基于LLM的可扩展框架，从定性反馈中量化产品期望，零样本数值评分和分类情感分析分别达到0.97皮尔逊相关和94%准确率，GPT-4o-mini以94%更低成本实现可比性能，并集成置信度与可解释性。
2026-06-24 cs.AI cs.CL cs.HC
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
Enhancing Multilingual Sentiment Analysis with Explainability for Sinhala, English, and Code-Mixed Content
Sri Lanka Institute of Information Technology（斯里兰卡信息技术学院）
针对银行业多语言（含低资源僧伽罗语）客户反馈情感分析缺乏可解释性的问题，提出混合式基于方面的框架，结合微调XLM-RoBERTa、BERT及SHAP/LIME解释工具，性能优于传统模型，提升金融应用情感分析的稳健性与透明度。
2025-04-18 cs.AI cs.CL cs.LG
Unlocking Sales Growth: Account Prioritization Engine with Explainable AI
LinkedIn Corporation（领英公司）
针对B2B销售中客户评估依赖直觉、主动销售投入不足的问题，研发搭载可解释AI的智能客户优先级排序引擎Account Prioritizer，经A/B测试验证可使续约预订量提升8.08%。
2023-06-12 cs.AI cs.LG stat.ML
BanglaSentNet: An Explainable Hybrid Deep Learning Framework for Multi-Aspect Sentiment Analysis with Cross-Domain Transfer Learning
BanglaSentNet通过动态加权集成学习，结合LSTM、BiLSTM、GRU和BanglaBERT，实现了高准确率的多方面情感分析，并通过SHAP和注意力可视化提升可解释性，显著优于传统方法。
2025-11-28 cs.CL cs.LG
Dual-Model Sentiment Analysis of Consumer Reviews in the Retail Coffee Sector Using Machine Learning and Deep Learning Approaches
本研究针对零售咖啡行业星巴克评论，对比评估机器学习与深度学习模型的情感分析性能，发现SVM与Bidirectional LSTM表现最优，同时指出类别不平衡会降低正面情感召回率。
2026-08-13 cs.AI cs.CV cs.LG
BERTaú: Itaú BERT for digital customer service
Itaú Unibanco（伊塔乌联合银行）
在过去的几年里，三个主要主题受到了越来越多的关注：深度学习，NLP和会话代理。将这三个主题结合在一起，创造出令人惊叹的数字客户体验，并真正部署到生产中，解决现实世界的问题，这是一种创新和颠覆性的东西。我们引入了一个新的葡萄牙语金融领域的语言表示模型称为BERTaú。BERTaú是一个未封装的BERT基础，使用Itaú虚拟助手聊天机器人解决方案的数据从头开始训练。我们的新贡献是BERTaú预训练的语言模型需要更少的数据，在三个NLP任务中达到了最先进的性能，并生成了一个更小更轻的模型，使部署变得可行。我们开发了三个任务来验证我们的模型：使用Itaú银行的常见问题（FAQ）进行信息检索，从我们的虚拟助理数据进行情感分析，以及NER解决方案。所有建议的任务都是在我们的环境中生产的真实解决方案，与Google BERT多语言和Facebook的DPRCNET编码器相比，专家模型的使用被证明是有效的，可在Hugging Face获得。BERTaú在FAQ检索MRR指标中提高了22%的性能，在情感分析F1得分中提高了2.1%，在NER F1得分中提高了4.4%，并且与“货架模型”相比，还可以用多达66%的令牌表示相同的序列。
2021-07-25 cs.AI cs.CL cs.LG
Towards Explainable Artificial Intelligence in Banking and Financial Services
Macquarie University（麦考瑞大学）
人工智能（AI）使机器能够从人类经验中学习，适应新的输入，并执行类似人类的任务。人工智能正在迅速发展，并正在改变企业的运营方式，从流程自动化到任务的认知增强和智能流程/数据分析。然而，人类用户面临的主要挑战是理解并适当信任人工智能算法和方法的结果。在本文中，为了应对这一挑战，我们研究和分析了可解释人工智能（XAI）方法和工具的最新工作。我们引入了一个新的XAI过程，它有助于产生可解释的模型，同时保持高水平的学习性能。我们提出了一种基于证据的交互式方法，以帮助人类用户理解和信任由AI算法创建的结果和输出。我们采用银行领域的典型场景来分析客户交易。我们开发了一个数字仪表板，以促进与算法结果的交互，并讨论了所提出的XAI方法如何显着提高数据科学家理解AI算法结果的信心。
2021-12-14 cs.AI cs.LG
Transparency and Privacy: The Role of Explainable AI and Federated Learning in Financial Fraud Detection
Anglia Ruskin University（安格利亚鲁斯金大学）
本研究提出结合联邦学习与可解释人工智能的欺诈检测方法，在保护数据隐私的同时实现透明可解释的检测，实验证明其高性能与有效性。
2023-12-20 cs.AI cs.CR cs.LG
EHSAN: Leveraging ChatGPT in a Hybrid Framework for Arabic Aspect-Based Sentiment Analysis in Healthcare
Newcastle University（纽卡斯尔大学）
针对阿拉伯语患者反馈分析不足的问题，提出EHSAN混合框架，结合ChatGPT伪标注与人工审核构建首个可解释的医疗方面级情感数据集，实验证明该方法高效可扩展，仅用少量人工监督即可达到高准确率。
2025-08-04 cs.AI 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
Knowledge Discovery from Social Media using Big Data provided Sentiment Analysis (SoMABiT)
Institute of Knowledge Based Systems（知识基础系统研究所）；University of Siegen（锡根大学）
在当今竞争激烈的商业世界中，了解客户需求和以市场为导向的生产是行业成功的关键因素。为此，使用高效的分析算法可确保更好地了解客户反馈，并改进下一代产品。因此，在日常生活中使用社交媒体的急剧增加为市场分析提供了有益的来源。但是，传统的分析算法和方法如何能够扩展到这些不同的和多结构的数据源是这方面的主要挑战。本文介绍并讨论了SoMABiT作为使用大数据技术的社交媒体分析平台的技术和科学重点。已经采用情感分析以从社交媒体发现知识。使用MapReduce并开发一种分布式算法，以实现一个可以扩展任何数据量并提供社交媒体驱动知识的集成平台，这是与最先进技术相比所提出概念的主要新颖性。
2020-01-16 cs.DB cs.LG cs.SI
An AutoML-based Approach to Multimodal Image Sentiment Analysis
Universidade da Beira Interior（贝拉内陆大学）；INESC TEC – 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）
情感分析是一个研究主题，专注于分析数据以提取与其引起的情感相关的信息。情感分析的应用范围很广，从推荐系统、市场营销到客户满意度。最近的方法使用在大型语料库上训练的机器学习技术来评估文本内容。然而，随着社交媒体的发展，其他数据类型大量涌现，比如图像。图像中的情感分析已被证明是文本数据的有价值的补充，因为它能够通过创建上下文和连接来推断潜在的消息极性。多模态情感分析方法旨在利用文本和图像内容的信息来执行评估。尽管最近取得了进展，但目前的解决方案仍然在结合图像和文本信息对社交媒体数据进行分类方面苦苦挣扎，这主要是由于主观性，类间同质性和融合数据差异。在本文中，我们提出了一种方法，结合文本和图像的个人情感分析到一个最终的融合分类AutoML的基础上，执行随机搜索，以找到最佳的模型。我们的方法在B-T4 SA数据集中达到了最先进的性能，准确率为95.19%。
2021-02-16 cs.AI cs.CV cs.LG
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
Cross-Domain Consumer Review Analysis
New York University（纽约大学）
本文提出了一个跨域评论分析四个流行的评论数据集：亚马逊，Yelp，蒸汽，IMDb。分析使用Hadoop和Spark执行，这允许高效和可扩展地处理大型数据集。通过研究来自这四个在线论坛的近1200万条评论，我们希望发现多年来销售和客户情绪的有趣趋势。我们的分析将包括对评论数量及其随时间分布的研究，以及对各种评论属性之间关系的研究，如支持率，创建时间，评级和情绪。通过比较不同领域的评论，我们希望深入了解不同产品类别中推动客户满意度和参与度的因素。
2022-12-23 cs.DC cs.IR cs.LG
From Reviews to Actionable Insights: An LLM-Based Approach for Attribute and Feature Extraction
Samuel Curtis Johnson Graduate School of Management, Cornell University（科恩椭圆管理研究生院，康奈尔大学）；Columbia Business School（哥伦比亚商学院）；University of Waterloo（滑铁卢大学）
本研究提出基于大语言模型的评论属性特征提取方法，经Yelp星巴克评论验证其与人工标注一致性高、速度快，可助力企业挖掘客户情感、优化服务并提升营收。
2025-10-22 cs.LG econ.EM stat.ML
Understand customer reviews with less data and in short time: pretrained language representation and active learning
GMF Assurances（GMF保险公司）
在本文中，我们解决客户评论理解问题，通过使用监督机器学习方法，以实现一个全自动的审查方面的分类和情感分析。通常，这种监督学习算法需要特定领域的专家知识来生成高质量的标记训练数据，并且标记的成本可能非常高。为了实现一个生产中的客户评论机器学习支持的分析工具，只有有限的数据量和合理的训练数据收集时间，我们建议使用预先训练的语言表示来提高模型性能和主动学习框架来加速迭代训练过程。结果表明，通过这两个组件的集成，可以更快地实现全自动的评论分析。
2019-10-29 cs.CL cs.LG stat.ML
A Review of Different Word Embeddings for Sentiment Classification using Deep Learning
Kalinga Institute of Industrial Technology（卡林加工业技术学院）
网络上充满了文本内容，而自然语言处理是机器学习中最重要的领域之一。但是当数据量很大时，简单的机器学习算法无法处理它，这就是基于神经网络的深度学习发挥作用的时候。然而，由于神经网络不能处理原始文本，我们必须通过一些不同的词嵌入策略来改变它们。本文演示了在Amazon Review Dataset上实现的这些独特的词嵌入策略，该数据集具有两种可分类的情感：基于大量客户评论的快乐和不快乐。此外，我们证明了区别的准确性与话语的词嵌入适用时。
2018-07-05 cs.CL cs.IR cs.LG
A Hierarchical Model of Reviews for Aspect-based Sentiment Analysis
Insight Centre for Data Analytics（洞察数据分析中心）；Aylien Ltd.（Aylien有限公司）；National University of Ireland, Galway（爱尔兰国立大学戈尔韦分校）
近年来，从客户评论中进行意见挖掘已经变得非常普遍。然而，评论中的句子通常是独立分类的，即使它们构成了评论的论证结构的一部分。直觉上，评论中的句子是相互建立和阐述的;因此，对评论结构和上下文的了解应该为每个句子的分类提供信息。我们通过使用分层双向LSTM对评论中句子的相互依赖性进行建模，证明了基于方面的情感分析任务的这一假设。我们表明，分层模型优于两个非分层基线，获得与最先进的竞争力的结果，并优于最先进的五个多语言，多域数据集，没有任何手工设计的功能或外部资源。
2016-09-09 cs.CL cs.LG
Topic Modelling on Consumer Financial Protection Bureau Data: An Approach Using BERT Based Embeddings
UpGrad Education（UpGrad教育）；Salesforce India（赛富时印度公司）；Brane Enterprises（Brane企业公司）；Global Logic
客户的评论和意见对于企业了解用户对产品和服务的看法非常重要。然而，需要分析这些数据以评估与主题/方面相关联的情绪，从而提供有效的客户帮助。LDA和LSA无法捕捉语义关系，并且不特定于任何领域。在这项研究中，我们评估BERTopic，一种新的方法，使用句子嵌入消费者金融保护局（CFPB）的数据生成主题。我们的工作表明，与LDA和LSA相比，BERTopic非常灵活，但提供了有意义且多样化的主题。此外，特定领域的预训练嵌入（FinBERT）产生更好的主题。我们评估的主题一致性得分（cv）和UMass。
2022-05-15 cs.AI cs.CL cs.IR
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
Needmining: Identifying micro blog data containing customer needs
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
新产品和服务的设计始于确定潜在客户或用户的需求。许多现有的方法，如观察、调查和实验，都是通过具体的努力来引出个人未满足的需求。与此同时，微博上大量的用户原创内容可以免费获取。虽然已经对这些信息进行了分析，以监测对现有产品的看法，但尚未利用这些信息来激发需求。在本文中，我们为这一努力奠定了重要的基础：我们提出了一种机器学习方法来识别那些表达需求的帖子。我们的评估，在电子移动领域的推文表明，相关的推文的小份额可以识别显着的精度或召回结果。应用到庞大的数据集，开发的方法应该使可扩展的需求启发支持创新经理-在成千上万的用户，从而增加了服务设计工具集提供给他。
2020-03-12 cs.IR cs.LG
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
Domain Adaptation for Sentiment Analysis Using Increased Intraclass Separation
USC Information Sciences Institute（南加州大学信息科学研究所）
情感分析是企业研究顾客意见以改进产品和确定最佳营销策略的一项昂贵而必要的任务。由于跨不同产品和服务的广泛领域的存在，跨领域情感分析方法受到了极大的关注。这些方法通过训练跨域可推广分类器来缓解不同应用之间的域差距，这有助于放松对每个域的数据注释的需求。大多数现有的方法集中在学习领域无关的表示，相对于源和目标域不变。因此，使用源域注释数据训练的分类器将在相关目标域中很好地泛化。我们介绍了一种新的领域自适应方法，它在嵌入空间中的不同类之间引入了较大的间隔。通过匹配跨域的数据分布，将该嵌入空间训练为域不可知的。在源域中的大的类内裕度有助于减少“域移位”对目标域中的分类器性能的影响。理论和实证分析表明，所提出的方法是有效的。
2021-07-04 cs.CL cs.LG
Unsupervised Self-Training for Sentiment Analysis of Code-Switched Data
Carnegie Mellon University（卡内基梅隆大学）
情感分析是理解社交媒体内容的一项重要任务，如客户评论，Twitter和Facebook提要等。在世界各地的多语言社区中，大量的社交媒体文本的特点是存在语码转换。因此，建立能够处理代码转换数据的模型变得非常重要。然而，带注释的代码转换数据是稀缺的，需要无监督的模型和算法。我们提出了一个通用的框架，称为无监督的自我训练，并显示其应用程序的代码转换数据的情感分析的特定用例。我们使用预训练的BERT模型的能力进行初始化，并以无监督的方式对其进行微调，仅使用由zero-shot传输产生的伪标签。我们测试我们的算法在多种代码转换语言，并提供了一个详细的分析，学习动态的算法的目的是回答这个问题-“我们的无监督模型理解代码转换语言，还是只是学习它的表示？'.我们的无监督模型与有监督模型竞争良好，与针对两类问题训练的有监督模型相比，其性能达到1-7\%（加权F1分数）。
2021-10-01 cs.CL cs.LG
Domain Adaptation of Transformer-Based Models using Unlabeled Data for Relevance and Polarity Classification of German Customer Feedback
University of Applied Sciences and Arts Dortmund (FHDO)（多特蒙德应用科学与艺术大学）；University Hospital Essen（埃森大学医院）
了解客户反馈正成为企业发现问题并改进产品和服务的必要条件。文本分类和情感分析可以通过使用各种机器和深度学习方法在分析这些数据中发挥重要作用。在这项工作中，利用不同的基于transformer的模型来探索这些模型在使用德国客户反馈数据集时的效率。此外，这些预先训练的模型将被进一步分析，以确定使用未标记的数据将它们适应特定领域是否可以产生比现成的预先训练的模型更好的结果。为了评估模型，考虑了GermEval 2017的两个下游任务。实验结果表明，与fastText基线相比，基于transformer的模型可以实现显着的改进，并且优于已发布的分数和以前的模型。对于子任务相关性分类，最佳模型在第一测试集上实现了96.1%的微平均$F1$分数，在第二测试集上实现了95.9%的微平均$F1$分数，并且对于子任务极性分类实现了85.1%和85.3%的分数。
2023-03-08 cs.CL cs.LG
Sentiment and Emotion Classification of Epidemic Related Bilingual data from Social Media
Al-Khawarizmi Institute of Computer Sciences（花拉子米计算机科学研究所）；University of Engineering & Technology（工程技术大学）
情感分析和情感分类是近年来自然语言处理（Natural Language Processing，NLP）领域中应用最为广泛的两种技术。虽然情感分析和情感分类通常用于分析客户评论，竞选候选人的受欢迎程度以及对各种体育赛事的评论等应用程序，但在本研究中，我们研究了它们在流行病爆发检测中的应用。早期发现疫情是有效应对疫情的关键，然而，传统的疫情发现方法耗时长，阻碍了相关部门的及时反应。社交媒体平台，如Twitter，Facebook，Instagram等，允许用户表达他们对生活不同方面的想法，因此，在这种情况下，作为一个重要的信息来源。该研究利用了来自Twitter和NEWS网站的双语（乌尔都语和英语）数据，这些数据与巴基斯坦的登革热疫情有关，并进行了情感分析和情感分类，以从数据集中获得深刻的见解，从而获得与疫情爆发有关的公平想法。机器学习和深度学习算法已被用于训练和实现用于执行这两项任务的模型。每个模型的比较性能进行了评估，使用准确率，精度，召回率和f1-措施。
2021-05-04 cs.CL cs.LG
MusicMood: Predicting the mood of music from song lyrics using machine learning
Michigan State University（密歇根州立大学）
当代音乐的情感预测在现代社会中有着广泛的应用，例如，为医院或餐馆等公共机构选择音乐，以分别潜在地改善工作人员、患者和客户的情感健康。在这个项目中，音乐推荐系统建立在朴素贝叶斯分类器的基础上，经过训练，仅根据歌词来预测歌曲的情感。实验结果表明，音乐对应于一个快乐的心情可以检测到高精度的基础上获得的文本特征的歌词。
2016-11-01 cs.CL cs.IR cs.LG
A Hybrid Statistical-Machine Learning Approach for Analysing Online Customer Behavior: An Empirical Study
Yale University（耶鲁大学）；University of Melbourne（墨尔本大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；International Computer Science Institute（国际计算机科学研究所）；Uber Freight（优步货运）
我们将经典的统计方法与最先进的机器学习技术相结合，开发了一个混合可解释模型，以分析中国最大的在线零售商京东的454，897名在线客户对特定产品类别的行为。虽然大多数纯粹的机器学习方法在实践中缺乏可解释性，但我们的新混合方法将通过生成可解释的输出来解决这个实际问题。这种分析涉及确定哪些特征和特性对客户的购买行为有最大的影响，从而使我们能够以高精度预测未来的销售，并确定最具影响力的变量。研究结果显示，顾客的产品选择对承诺交货期不敏感，但此因素会显著影响顾客的订购量。我们还表明，各种折扣方法的有效性取决于特定的产品和折扣的大小。我们确定某些折扣方法更有效的产品类别，并提供更好地使用不同折扣工具的建议。客户对不同产品类别的选择行为主要受价格驱动，在较小程度上受客户人口统计数据驱动。前一项发现要求在决定何时以及应该提供多少折扣时要谨慎，而后者则确定了个性化广告和有针对性的营销机会。此外，为了遏制客户的批量订购行为，避免不良的牛鞭效应，京东应该改善其物流，以确保更快地交付订单。
2022-12-01 cs.LG stat.AP
Understanding the Prediction Mechanism of Sentiments by XAI Visualization
Yonsei University（延世大学）
人们经常依赖在线评论来做出购买决定。目前的工作旨在通过可视化从在线酒店评论中提取的情感效果与可解释AI（XAI）方法来理解机器学习模型的预测机制。研究1使用提取的情感作为特征，通过五种机器学习算法（knn，CART决策树，支持向量机，随机森林，梯度提升机）预测评论评级，并确定随机森林为最佳算法。研究2通过特征重要性分析了随机森林模型，并揭示了情绪快乐，厌恶，积极和消极作为最具预测性的特征。此外，加性变量属性及其预测分布的可视化显示，对于5星评级，方向和效应量的预测正确，但对于1星评级，方向和效应量不足。这些预测细节通过对四个主要特征的假设分析得到了证实。总之，机器学习模型的预测机制可以通过特定观察的可视化来揭示。比较对比地面真值的实例可以绘制预测机制的差异图，并为模型改进提供决策信息。
2020-03-03 cs.CL cs.HC cs.LG
