WildFeedback: Aligning LLMs With In-situ User Interactions And Feedback
Microsoft Corporation(微软公司);Purdue University(普渡大学);Texas A&M University(德克萨斯农工大学);University of California San Diego(加州大学圣地亚哥分校);University of Southern California(南加州大学)
本文提出WildFeedback框架,通过实时用户反馈自动创建偏好数据集,提升大语言模型对用户偏好的对齐能力,解决了现有方法的可扩展性、主观性和偏见问题。
2026-04-17 cs.CL
On the Alignment of Large Language Models with Global Human Opinion
本研究基于世界价值观调查构建评估框架,首次从全球、语言和时间维度全面探究LLM的观点对齐问题,发现调整提示词语言可更有效引导LLM对齐对应国家观点。
2025-11-19 cs.CL
AaKOS: Aspect-adaptive Knowledge-based Opinion Summarization
Auckland University of Technology(奥克兰理工大学);University of Tasmania(塔斯马尼亚大学)
针对现有观点摘要方法缺乏方面自适应性、大语言模型难以离线部署的问题,提出面向产品评论的AaKOS模型,可生成聚焦用户感兴趣方面的个性化摘要,性能优于现有最优方法。
2023-05-26 cs.CL
LLMs as Architects and Critics for Multi-Source Opinion Summarization
Computer Science and Engineering, IIT Bombay, India(计算机科学与工程系,印度班加罗尔理工学院);Flipkart, India(印度Flipkart)
针对多源观点摘要(M-OS)研究空白与评估数据集缺失问题,提出M-OS-EVAL基准数据集,探索LLMs在该任务中的应用,实验显示其提升用户参与度且与人类判断对齐性优于先前方法。
2025-07-07 cs.CL
Understand User Opinions of Large Language Models via LLM-Powered In-the-Moment User Experience Interviews
Amazon(亚马逊公司);School of Computer Science, Carnegie Mellon University(卡内基梅隆大学计算机科学学院);University of California, Berkeley(加州大学伯克利分校)
本文提出由LLM驱动的即时访谈系统CLUE,在用户使用模型后自动访谈并分析大规模日志,揭示了用户对主流LLM的差异化看法与需求。
2025-06-10 cs.AI cs.CL cs.HC
Do Political Opinions Transfer Between Western Languages? An Analysis of Unaligned and Aligned Multilingual LLMs
University of Stuttgart(斯图加特大学);Bocconi University(博科尼大学)
研究探讨多语言大语言模型在五种西方语言中政治观点的转移情况,发现对齐前模型观点差异小,对齐后观点在各语言间均匀转移。
2026-01-21 cs.CL cs.CY
Rehearse With User: Personalized Opinion Summarization via Role-Playing based on Large Language Models
The Alan Turing Institute(阿兰·图灵研究所)
针对大语言模型在长文本个性化摘要任务中的困难,提出基于角色扮演的Rehearsal框架,通过让模型扮演用户、引入监督器与练习过程及虚拟用户建议干预,有效提升了摘要的个性化水平。
2025-03-01 cs.AI cs.CL
Measuring Opinion Bias and Sycophancy via LLM-based Persuasion
Maritaca AI;JusBrasil
本文提出llm-bias-bench方法,通过模拟多轮交互发现LLM在争议性话题上的真实立场,揭示辩论比直接提问更易引发阿谀奉承,且模型在持续争论中更倾向于模仿。
2026-04-30 cs.CL
Co-Writing with Opinionated Language Models Affects Users' Views
Cornell University(康奈尔大学);Microsoft Research(微软研究院);University of Bayreuth(拜罗伊特大学);Tel Aviv University(特拉维夫大学);Cornell Tech(康奈尔科技学院)
如果像GPT-3这样的大语言模型更倾向于产生特定的观点,它们可能会以未知的规模影响人们的观点。这项研究调查了一个语言模型驱动的写作助手是否会比其他人更经常地产生一些意见,从而影响用户的写作内容以及他们的想法。在一项在线实验中,我们要求参与者(N= 1,506)写一篇文章,讨论社交媒体是否对社会有益。治疗组的参与者使用了一个语言模型驱动的写作助手,该助手被配置为争论社交媒体对社会是好是坏。然后,参与者完成了一项社交媒体态度调查,独立法官(N=500)评估了他们在写作中表达的意见。使用固执己见的语言模型影响了参与者在写作中表达的观点,并在随后的态度调查中改变了他们的观点。我们讨论了我们的结果的更广泛的影响,并认为人工智能语言技术中内置的意见需要更仔细地监控和设计。
2023-02-01 cs.AI cs.CL cs.HC
Aligning Large Language Models with Implicit Preferences from User-Generated Content
University of Notre Dame(诺特大学);Amazon.com Inc(亚马逊公司)
本文提出PUGC框架,通过将无标签用户生成内容转化为偏好数据来对齐大语言模型,在Alpaca Eval 2上以Mistral-7B-Instruct取得35.93%的最先进长度控制胜率,实现了可扩展且领域特定的模型对齐。
2025-06-04 cs.CL
COMMUNITY-CROSS-INSTRUCT: Unsupervised Instruction Generation for Aligning Large Language Models to Online Communities
Information Sciences Institute(信息科学研究所)
本文提出无监督框架 Community-Cross-Instruct,通过自动生成指令-输出对微调大语言模型,以低成本、可扩展地表征和调查在线社区的信念。
2024-10-22 cs.CL
Claim Framing as a Driver of LLM Sycophancy
University of Copenhagen(哥本哈根大学)
本文研究发现主张框架是LLM谄媚行为的驱动因素,在42K个问题上评估14种模型,明确影响谄媚的关键框架维度,为改进LLM谄媚行为评估提供了方向。
2026-10-14 cs.AI cs.CL
PRISM of Opinions: A Persona-Reasoned Multimodal Framework for User-centric Conversational Stance Detection
Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳));Peng Cheng Laboratory, Shenzhen, China(鹏城实验室);Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies(广东省新型安全智能技术重点实验室);The Hong Kong Polytechnic University, Hong Kong, China(香港理工大学);Macau University of Science and Technology, Hong Kong, China(澳门科学技术大学)
PRISM通过多模态和用户人设分析,提升对话立场检测的准确性与实用性。
2026-03-10 cs.CL
COACH meets QUORUM: A Framework and Pipeline for Aligning User, Expert and Developer Perspectives in LLM-generated Health Counselling
COACH与QUORUM框架通过多利益相关者评估,提升LLM生成健康建议的可信度和实用性。
2026-03-09 cs.CL
Prompted Opinion Summarization with GPT-3.5
IIT Bombay(印度理工学院孟买分校);Salesforce AI(赛富时人工智能研究院);UT Austin(德克萨斯大学奥斯汀分校)
本文探索了使用GPT-3.5进行提示式意见摘要的流水线方法,通过递归摘要和监督聚类等技术处理大规模用户评论,并在人工评估中表现优异,同时引入了三个新评估指标。
2023-05-23 cs.CL
EMBRACE: Shaping Inclusive Opinion Representation by Aligning Implicit Conversations with Social Norms
King Saud University, College of Computer and Information Sciences(沙特王后大学,计算机与信息科学学院)
本文提出EMBRACE框架,通过将回应立场建模为隐式意见代理并与社会规范对齐,结合PU在线学习和指令微调语言模型评估,以改善对话模型中意见表示的包容性与公平性。
2025-11-09 cs.CL
How Identity and Opinion Shape Political Sycophancy in LLMs
National Yang Ming Chiao Tung University(国立阳明交通大学);Academia Sinica(中央研究院);Research Center for Information Technology Innovation, Academia Sinica(中央研究院资讯科技创新研究中心)
该研究提出框架区分LLM政治奉承的观点与身份触发因素,经450个政治困境评估13个指令调优LLM,发现二者易感性解离、信号次可加,表明LLM政治立场具交互可引导脆弱性。
2026-09-01 cs.AI cs.CL cs.CY
Aligning LLMs through Multi-perspective User Preference Ranking-based Feedback for Programming Question Answering
School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院);Hefei University of Technology(合肥工业大学);School of Artificial Intelligence and Data Science, University of Science and Technology of China(中国科学技术大学人工智能与数据科学学院);University of Toronto(多伦多大学)
提出ALMupQA框架,通过多视角偏好排序对齐和检索增强上下文学习模块,结合新构建的StaCCQA数据集,有效提升了LLM在代码社区问答中满足用户多样化偏好和准确性的能力。
2024-05-27 cs.AI cs.CL
Black-Box Opinion Manipulation Attacks to Retrieval-Augmented Generation of Large Language Models
Wuhan University(武汉大学);Worcester Polytechnic Institute(伍斯特理工学院)
本文针对大型语言模型的检索增强生成系统,提出黑盒意见操纵攻击方法,通过训练替代模型并迁移攻击,显著改变生成内容的意见极性,威胁用户认知与决策。
2024-07-18 cs.AI cs.CL cs.CR
Beyond One-Way Influence: Bidirectional Opinion Dynamics in Multi-Turn Human-LLM Interactions
University of Chicago(芝加哥大学);New York University(纽约大学);University of Washington(华盛顿大学);New York University Shanghai(纽约大学上海)
本研究通过多轮人机对话实验发现,人类观点几乎不变而LLM观点显著调整,个性化放大双向影响,个人故事交流最易触发立场变化,警示过度对齐风险。
2025-10-22 cs.AI cs.CL cs.CY
AI-Mediated Communication Can Steer Collective Opinion
Hasso Plattner Institute(哈索普兰特纳研究所);Oxford Internet Institute, University of Oxford(牛津互联网研究所,牛津大学);Weizenbaum Institute(魏泽纳姆研究所)
本文研究AI在人类间交流中对集体意见形成的影响,通过实证和理论分析展示AI引入的方向性偏见如何通过网络放大并改变集体观点,探讨平台如何控制此类偏见。
2026-11-11 cs.AI cs.CL cs.CY
Opinion Recommendation using Neural Memory Model
Singapore University of Technology and Design(新加坡科技设计大学)
我们提出的意见推荐,一个新的任务,共同预测一个自定义的评论与评级分数,某个用户会给某个产品或服务,现有的评论和评级分数的产品或服务的其他用户,以及用户给其他产品和服务的评论。意见推荐的一个特点是依赖多个数据源进行多任务联合学习,这是神经模型的优势。我们使用单个神经网络来对用户和产品进行建模,捕捉它们的相关性,并使用深度记忆网络生成定制的产品表示,从深度记忆网络中共同构建定制的评级和评论。结果表明,我们的意见推荐系统给出的评级更接近真实的用户评级的www.example.com数据相比,Yelp自己的评级,我们的方法给出更好的结果相比,几个管道基线使用国家的最先进的情感评级和总结系统。
2017-02-06 cs.CL
Arabic Opinion Mining Using a Hybrid Recommender System Approach
Ferhat Abbas University(费尔哈特·阿巴斯大学);King Saud University(沙特国王大学)
推荐系统在向用户提供服务和信息方面发挥着重要作用。情感分析(也称为意见挖掘)是确定文本意见的态度的过程,无论它们是积极的,消极的还是中立的。数据稀疏性是推荐系统的一个大问题,因为用户评分不足或缺乏关于用户或项目的数据。本研究提出一种结合情感分析与推荐系统的混合方法,利用文本挖掘与自然语言处理技术预测用户评论中产品的评分,以解决数据稀疏性问题。这项研究特别关注阿拉伯语评论,使用阿拉伯语意见语料库(OCA)数据集对模型进行评估。我们的系统是高效的,它在预测评论评级方面显示出近85%的准确率
2020-09-16 cs.CL
Helping users discover perspectives: Enhancing opinion mining with joint topic models
TU Delft(代尔夫特理工大学)
支持或反对一个有争议的主张,如堕胎应该合法,可能有不同的潜在原因,我们称之为观点。本文探讨了如何通过联合主题建模来增强意见挖掘,以识别主题中的不同观点,从非结构化文本中提供信息丰富的概述。我们评估四个联合主题模型(TAM,JST,VODUM和LAM)在用户研究中评估人类可理解性的提取的观点。基于结果,我们得出结论,联合主题模型,如TAM可以发现的观点,符合人类的判断。此外,我们的研究结果表明,用户在解释主题模型的输出时,不会受到他们对堕胎主题的预先存在的立场的影响。
2021-04-28 cs.CL
Comparing Without Saying: A Dataset and Benchmark for Implicit Comparative Opinion Mining from Same-User Reviews
VNU University of Engineering and Technology(越南工程大学);Singapore Management University(新加坡管理大学)
SUDO数据集通过隐式比较意见挖掘任务,评估了从同一用户评论中推断偏好的挑战与方法。
2026-01-20 cs.CL
How AI Writing Assistance Distorts Perceptions of AI Users and Their Opinions
University of Oxford(牛津大学);UK AI Security Institute(英国人工智能安全研究所)
研究评估了AI写作辅助工具如何扭曲写作者的人格特征,通过实验发现AI使写作者显得更具观点性、能力更强和积极,但写作者对这些扭曲表示反对却仍偏好使用AI辅助文本,通过训练奖励模型缓解了部分扭曲,但影响了用户接受度。
2026-10-12 cs.CL
Query-Focused Opinion Summarization for User-Generated Content
Cornell University(康奈尔大学);LinkedIn(领英);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
我们提出了一个基于子模块功能的框架,以查询为中心的意见摘要。在我们的框架内,相关排序产生的统计排名,信息覆盖率的主题分布和不同的观点都编码为子模块功能。色散函数用于最小化冗余。我们是第一个评估不同的文本相似性指标的子模块为基础的摘要方法。通过对社区QA和博客摘要的实验,我们表明我们的系统在自动评估和人工评估方面都优于最先进的方法。在Amazon Mechanical Turk上进行了规模化的人类评估任务,并表明我们的系统能够生成高质量和信息多样性的摘要。
2016-06-17 cs.CL
A Disentangled Adversarial Neural Topic Model for Separating Opinions from Plots in User Reviews
University of Warwick(华威大学)
变分自编码器(VAE)中推理过程的灵活性最近导致了对传统概率主题模型的修改,从而产生了神经主题模型(NTM)。虽然这些方法已经取得了显着的成果,令人惊讶的是,很少的工作已经做了关于如何解开潜在的主题。当应用于评论时,现有的主题模型可以提取与作者的主观意见相关联的主题,这些主观意见与诸如电影和书籍评论中的情节摘要之类的事实描述相关的那些主观意见相混合。因此,期望自动地将观点话题与情节/中性话题分离,从而实现更好的可解释性。在本文中,我们提出了一个神经主题模型与对抗训练相结合,从情节和中性的分离意见的主题。我们进行了广泛的实验评估,引入了一个新的电影和书评集合,并与它们的情节配对,即MOBO数据集,显示出改进的连贯性和主题多样性,一致的解纠缠率,以及优于其他监督主题模型的情感分类性能。
2021-06-19 cs.CL
Opinion Prediction with User Fingerprinting
University of Houston(休斯顿大学);Amazon(亚马逊);Temple University(天普大学)
意见预测是一个新兴的研究领域,具有不同的现实世界的应用,如市场研究和态势感知。我们确定了两条路线的意见预测的问题的方法。一个使用基于主题的情感分析和时间序列建模,而另一个使用静态嵌入文本。后一种方法通过生成用户指纹来寻求特定于用户的解决方案。这样的方法在预测用户对看不见的内容的反应中是有用的。在这项工作中,我们提出了一种新的动态指纹方法,利用上下文嵌入的用户的评论条件相关用户的阅读历史。我们将BERT变体与递归神经网络集成以生成预测。结果表明,与以前的方法相比,微F1分数提高了13%。实验结果表明,新的见解,以前是未知的,如更好的预测动态历史长度的增加,文章的性质对性能的影响,从而奠定了基础,为进一步的研究。
2021-09-10 cs.AI cs.CL
Investigating User Radicalization: A Novel Dataset for Identifying Fine-Grained Temporal Shifts in Opinion
University of Marburg(马尔堡大学);Technical University of Darmstadt(达姆施塔特工业大学)
随着对潜在两极分化社会影响的担忧增加,越来越需要能够对社交媒体用户的细粒度意见转变进行建模。然而,缺乏适合这项任务的公开数据集是一个重大挑战。在本文中,我们介绍了一个创新的注释数据集,用于建模微妙的意见波动和检测细粒度的立场。该数据集包括每个用户随时间推移和在整个会话线程内的足够量的立场极性和强度标签,从而使微妙的意见波动在长期和短期内都是可检测的。所有员额都由非专家作了说明,很大一部分数据也由专家作了说明。我们提供了一个招聘合适的非专家的策略。我们对注释者间协议的分析表明,从非专家的多数投票中获得的注释与专家的注释具有可比的质量。我们提供的立场演变的分析,在短期和长期的水平,语言使用的用户之间的比较与动摇和坚决的态度,和细粒度的立场检测基线。
2022-04-29 cs.CL cs.SI
Neural Temporal Opinion Modelling for Opinion Prediction on Twitter
University of Warwick(华威大学);Southeast University(东南大学)
Twitter上的意见预测是具有挑战性的,由于短暂的性质,推文内容和邻里的背景。在本文中,我们将用户的推文发布行为建模为一个时间点过程,以联合预测发布时间和下一个推文的立场标签,给定用户的历史推文序列和他们的邻居发布的推文。我们设计了一个主题驱动的注意力机制来捕捉邻居语境中的动态主题转移。实验结果表明,该模型预测的发布时间和立场标签的未来推文更准确地相比,一些竞争性的基线。
2020-05-27 cs.CL cs.SI
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
Voting for Deceptive Opinion Spam Detection
Nanjing University(南京大学)
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,这些虚假评论故意写得听起来真实,欺骗读者。现有的方法主要集中在开发基于自动监督学习的方法来帮助用户识别欺骗性的意见垃圾邮件。本研究中,我们使用大规模积体电路与分散式大规模积体电路技术来降低欺骗侦测的维数。我们的贡献是展示LSI在潜在语义空间中捕获的内容,并揭示如何从真实意见中自动识别欺骗性意见。最后,我们提出了一个投票方案,它集成了不同的方法,以进一步提高分类性能。
2014-09-16 cs.CL cs.SI
Mining User Opinions in Mobile App Reviews: A Keyword-based Approach
Utah State University(犹他州立大学)
移动应用程序的用户评论通常包含投诉或建议,这些投诉或建议对于应用程序开发人员改善用户体验和满意度很有价值。然而,由于这些评论的大量和嘈杂的性质,手动分析它们以获得有用的意见本质上是具有挑战性的。为了解决这个问题,我们提出了MARK,一个基于关键字的半自动化评论分析框架。MARK允许分析师通过一组关键字描述他对一个或一些移动应用程序的兴趣。然后,它会找到并列出与这些关键字最相关的评论,以供进一步分析。它还可以绘制这些关键字随时间推移的趋势,并检测它们的突然变化,这可能表明发生了严重的问题。为了帮助分析师更有效地描述他们的兴趣,MARK可以自动从原始评论中提取关键字,并根据与负面评论的关联对其进行排名。此外,基于关键字的基于向量的语义表示,MARK可以将大量关键字划分为更具凝聚力的子集,或者建议与所选关键字相似的关键字。
2015-10-26 cs.CL cs.IR
Retrieving Users' Opinions on Social Media with Multimodal Aspect-Based Sentiment Analysis
Technical University of Munich(慕尼黑工业大学)
人们在社交媒体上发布他们的观点和经验,产生了丰富的最终用户情绪数据库。本文展示了机器学习在多大程度上可以分析和构建这些数据库。部署自动化数据分析管道,为其他领域的研究人员提供对用户生成内容的见解。首先,领域专家可以选择感兴趣的图像和术语。然后,该管道使用图像检索来找到显示相似内容的所有图像,并应用基于方面的情感分析来概述用户对所选术语的意见。作为建筑和计算机科学研究人员之间的跨学科项目的一部分,传达了汉堡易北爱乐乐团的实证研究。因此,我们从Flickr平台上选择了30万个带有标签\enquote{\texttt{hamburg}}的帖子。图像检索方法生成了一个子集,略多于1500张图像显示易北爱乐乐团。我们发现,这些帖子主要传达了一种中立或积极的情绪。通过这种管道,我们提出了一种新的语义计算方法,为最终用户的意见提供了新的见解,例如,为建筑领域专家。
2023-01-09 cs.AI cs.CL cs.CV
Read what you need: Controllable Aspect-based Opinion Summarization of Tourist Reviews
IIT Kharagpur(印度理工学院卡拉格普尔分校)
从大量用户生成的文本中手动提取相关方面和观点是一个耗时的过程。另一方面,摘要可以帮助时间预算有限的读者快速消费数据中的关键思想。然而,用于多文档摘要的最新方法在生成摘要时不考虑用户偏好。在这项工作中,我们认为有必要,并提出了一个解决方案,从大量的在线旅游评论的集合生成个性化的基于方面的意见摘要。我们让读者决定和控制摘要的几个属性,例如长度和感兴趣的特定方面。具体来说,我们采取无监督的方法从TripAdvisor上发布的游客评论中提取连贯的方面。然后,我们提出了一种基于线性规划(ILP)的提取技术,以选择一个信息子集的意见周围的确定方面,同时尊重用户指定的值为各种控制参数。最后,我们使用众包和基于ROUGE的指标来评估和比较我们的摘要,并获得具有竞争力的结果。
2020-06-09 cs.CL cs.IR
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
Natural Language Understanding for Argumentative Dialogue Systems in the Opinion Building Domain
Southeast University(东南大学);Ulm University(乌尔姆大学);Mercedes-Benz Research & Development(梅赛德斯-奔驰研发中心)
本文介绍了一个自然语言理解(NLU)框架,在信息寻求和意见建设领域的辩论对话系统。该框架包括两个子模型,即意图分类器和论点相似度。意图分类器模型将BiLSTM与注意力机制堆叠在预训练的BERT模型之上,并微调模型以识别用户意图,而论点相似性模型使用BERT + BiLSTM来识别用户在他或她的自然语言话语中引用的系统论点。我们的模型是在一个争论性的对话系统,从事用户通知他/她自己的一个有争议的话题,通过探索赞成和反对的论点,并建立他/她对这个话题的意见。为了评估所提出的方法,我们收集用户话语的互动与各自的系统标签的意图和参考参数在一个广泛的在线研究。数据汇集包括多个主题和两种不同的用户类型(来自英国的英语母语者和来自中国的非英语母语者)。此外,我们分别在公开的Banking77和STS基准数据集上评估了所提出的意图分类器和参数相似性模型。评估表明,在几个数据集的基线方法,以及对新的主题和不同的语言能力,以及用户的文化背景所提出的方法的鲁棒性所使用的技术的明显优势。此外,结果表明,我们的意图分类器模型在Few-Shot设置中优于DIET、DistillBERT和BERT微调模型(即,每个意图具有10、20或30个标记的示例)和完整的数据设置。
2022-02-19 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
Aligning Stuttered-Speech Research with End-User Needs: Scoping Review, Survey, and Guidelines
4 University of Edinburgh, UK;5 School of Health Sciences \& IEETA, University of Aveiro, Portugal
本文通过范围综述和70名终端用户调查,识别出口误语音研究与用户需求之间的差距,并提出解决方向和指南。
2026-04-22 cs.CL cs.HC
Mining of product reviews at aspect level
Banasthali Vidyapith(伯纳斯达利大学)
今天的世界是一个互联网的世界,几乎所有的工作都可以在它的帮助下完成,从简单的手机充值到最大的商业交易都可以在这种技术的帮助下完成。人们花了他们的大部分时间在网上冲浪,它成为一个新的来源,娱乐,教育,通信,购物等用户不仅使用这些网站,但也给他们的反馈和建议,这将是有用的其他用户。通过这种方式,大量的用户评论被收集在网络上,需要进行探索,分析和组织,以更好地做出决策。意见挖掘或情感分析是一种自然语言处理和信息抽取任务,它识别以积极、消极或中立的评论和引用的形式解释的用户观点或意见。基于方面的意见挖掘是意见挖掘的一个层次,它确定给定评论的方面并为每个特征对评论进行分类。本文提出了一个基于方面的意见挖掘系统,分类为积极的,消极的和中立的每一个功能的评论。在所提出的系统中也处理否定。使用产品评论的实验结果表明了该系统的有效性。
2014-06-14 cs.CL cs.IR
Polarity detection movie reviews in hindi language
Banasthali Vidyapith(巴纳斯塔利大学)
现在人们积极参与在社交网站和其他网站上发表评论和评论,如购物网站,新闻网站等。大量的人每天在网络上分享他们的意见,结果是收集了大量的用户数据。用户也发现阅读所有评论然后做出决定是一项微不足道的任务。如果这些评论被分类到某个类别中,那么用户会发现更容易阅读。意见挖掘或情感分析是一项自然语言处理任务,从各种文本形式(如评论,新闻和博客)中挖掘信息,并根据其极性将其分类为积极,消极或中性。但是,从过去几年来,印地语的用户内容也在网络上迅速增加。因此,在印地语中进行意见挖掘也非常重要。本文提出了一个印地语意见挖掘系统。该系统将评论分类为印地语的正面、负面和中性。在所提出的系统中也处理否定。使用电影评论的实验结果表明了该系统的有效性
2014-09-13 cs.CL cs.IR
Opinion Fraud Detection via Neural Autoencoder Decision Forest
University of New South Wales(新南威尔士大学);School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院)
在线评论在影响买家的日常购买决策方面发挥着重要作用。然而,虚假和无意义的评论,不能反映用户的真实购买体验和意见,广泛存在于网络上,并对用户做出正确的选择带来了巨大的挑战。因此,希望建立一个公平的模型,通过区分垃圾评论来评估产品的质量。我们提出了一个端到端可训练的统一模型,以利用Autoencoder和随机森林的吸引人的属性。随机决策树模型的实现,以指导全局参数学习过程。在一个大型亚马逊评论数据集上进行了广泛的实验。所提出的模型始终优于一系列比较的方法。
2018-05-09 cs.AI cs.CL cs.LG
Aligning Language Models from User Interactions
ETH Zurich(苏黎世联邦理工学院);MIT(麻省理工学院);University of Zurich(苏黎世大学)
本文提出通过自蒸馏直接从用户交互学习的方法,利用用户反馈调整模型行为,提升对齐和指令遵循能力,同时实现个性化和持续适应。
2026-02-18 cs.AI cs.CL cs.LG
Opinion mining using Double Channel CNN for Recommender System
Kharazmi University(卡拉兹米大学);Islamic Azad University(伊斯兰阿扎德大学)
提出融合双通道 CNN 观点挖掘、SMOTE 平衡、方面聚类与张量分解加权的推荐方法,情感分析准确率达 91.6%。
2023-07-15 cs.CL cs.IR
Stay on Topic, Please: Aligning User Comments to the Content of a News Article
Center for Data Analytics and Biomedical Informatics(数据分析与生物信息学中心);Temple University(天普大学)
社会科学家已经表明,高达50%的内容张贴到新闻文章没有关系,其新闻内容。在这项研究中,我们提出了一个分类算法来分类用户的评论张贴到一个新的文章基地上对齐其内容。对齐试图根据内容、讨论中的实体和主题的相似性将用户评论与文章匹配。我们提出了一种基于BERTAC,BAERT的方法,共同学习文章评论嵌入和推断评论的相关性类。我们引入了一个有序分类损失,惩罚预测和真实标签之间的差异。我们进行了深入的研究,以显示拟议的损失对学习过程的影响。在五个有代表性的新闻媒体上的结果表明,我们的方法可以学习评论类,与基线相比平均准确率提高了36%,与BA-BC模型相比平均准确率提高了25%。BA-BC是我们提出的一种方法,它由两个模型组成,旨在分离地捕获新闻文章的形式语言和评论的非正式语言。我们还进行了用户研究,以评估人类标记性能,以了解分类任务的难度。根据Krippendorff的alpha评分,用户对评论-文章对齐的一致性是“中等”,这表明分类任务很难。
2021-03-03 cs.CL cs.IR cs.LG
Voila-A: Aligning Vision-Language Models with User's Gaze Attention
Beihang University(北京航空航天大学);Microsoft Research Asia(微软亚洲研究院);Tsinghua University(清华大学)
本文提出Voila-A方法,通过引入AR/VR设备采集的注视信息引导视觉-语言模型,并构建VOILA-COCO数据集和Voila Perceiver模块,实现模型注意力与人类注视模式对齐,显著提升真实场景下的模型可解释性与性能。
2023-12-22 cs.AI cs.CL cs.CV
From the Token to the Review: A Hierarchical Multimodal approach to Opinion Mining
Télécom ParisTech(巴黎高等电信学院);Université Paris Saclay(巴黎萨克雷大学);IBM GBS France(IBM全球商业服务法国公司)
预测细粒度的用户意见的基础上自发的口头语言的任务是一个关键的问题,出现在计算代理的发展,以及在社会网络为基础的意见矿工的发展。不幸的是,收集可靠的数据来训练模型是非常困难的,现有的工作只依赖于粗略标记的意见。在这项工作中,我们的目标是弥合差距分离细粒度的意见模型已经开发的书面语言和粗粒度的模型开发的自发多模态意见挖掘。我们利用意见的隐式层次结构,建立一个联合的细粒度和粗粒度的意见模型,利用不同的意见表达。由此产生的模型与基于注意力的模型共享一些属性,并在最近发布的多模态细粒度注释语料库上显示出具有竞争力的结果。
2019-09-10 cs.AI cs.CL cs.IR
Approaches for Sentiment Analysis on Twitter: A State-of-Art study
National Institute of Technology, Surat(苏拉特国立理工学院)
微博是一个非常普遍的广播媒体之间的互联网兄弟这些天。人们分享他们对产品、新闻、机构等各种主题的看法和感受,每天都在微博网站上情感分析在预测系统、意见挖掘系统等中起着关键作用。微博平台之一的Twitter允许其用户的字符数限制为140个。这种限制促使用户非常简洁地表达自己的观点,并在twitter上发表大量的观点供分析。Twitter还提供了开发者友好的流API用于数据检索目的,允许分析师搜索来自不同用户的实时的tweet。在本文中,我们讨论了国家的艺术作品,集中在Twitter上,在线社交网络平台,情感分析。我们调查了各种词汇,机器学习和混合方法的情感分析在Twitter上。
2015-12-03 cs.CL cs.IR cs.SI
Understanding Opinions Towards Climate Change on Social Media
Mila(米拉研究所);Université de Montréal(蒙特利尔大学);McGill University(麦吉尔大学);Yale University(耶鲁大学)
本文通过分析2006至2019年间1360万条推文,构建时序图并利用Louvain算法和自然语言处理方法,研究COP事件对社交媒体上气候变化讨论社区结构和情感主题演变的影响,为提升公众气候意识提供依据。
2023-12-02 cs.CL cs.LG cs.SI
Aligning Spoken Dialogue Models from User Interactions
Department of Computer Science, Cornell University. Work done at Kyutai.(计算机科学系,康奈尔大学。在Kyutai工作)
本文提出一种新颖的偏好对齐框架,通过构建超15万个AI标注的语音偏好对数据集并利用离线对齐方法微调全双工语音到语音模型,有效提升了实时口语对话的事实性、安全性与上下文对齐能力。
2025-06-26 cs.CL cs.LG cs.SD