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
DialogQAE: N-to-N Question Answer Pair Extraction from Customer Service Chatlog
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);Tencent Cloud AI(腾讯云人工智能);Peking University(北京大学)
从客户服务聊天日志中收集问答(QA)对是在冷启动或持续集成场景中丰富客户服务聊天机器人知识库的有效方法。先前的工作试图从不断增长的客户服务聊天日志中获得1对1的QA对,这未能将来自对话上下文的不完整话语整合用于复合QA检索。在本文中,我们提出了N-to-N QA提取任务,其中衍生的问题和相应的答案可能会在不同的话语分离。我们介绍了一套基于生成/区分标记的方法,这些方法具有端到端和两阶段的变体,在5个客户服务数据集上表现良好,并首次建立了具有话语和会话级别评估指标的N-to-N DialogQAE基准。通过深入分析所提取的问答对,我们发现问答对之间和内部的关系可以作为分析对话结构的指标,例如信息寻求,澄清,闯入和阐述。我们还表明,所提出的模型可以适应不同的领域和语言,并减少劳动力成本的知识积累在现实世界的产品对话平台。
2022-12-14 cs.AI cs.CL cs.IR
Human Understandable Explanation Extraction for Black-box Classification Models Based on Matrix Factorization
Samsung Electronics(三星电子)
近年来,已经开发了许多人工智能服务,例如用于客户服务的缺陷检测系统或诊断系统。不幸的是,这些服务的核心是一个黑盒子,人类无法理解底层的决策逻辑,尽管在推出商业服务之前对逻辑的检查至关重要。本文的目的是提出一种适用于一般分类模型的模型解释的分析方法。为此,我们引入了贡献矩阵的概念和解释嵌入在约束空间中使用矩阵分解。利用非负矩阵分解的方法,从贡献矩阵中提取出规则模型的解释。为了验证该方法的有效性,在开放数据集和一个LTE网络诊断的工业数据集上进行了实验,结果表明该方法提取了合理的解释。
2017-09-18 cs.AI cs.LG stat.ML
Multimodal Joint Attribute Prediction and Value Extraction for E-commerce Product
JD AI Research(京东人工智能研究院)
产品属性值在很多电子商业场景中都是必不可少的,比如客服机器人、产品推荐、产品检索等。而在现实世界中,产品的属性值往往是不完整的,并随着时间的推移而变化,这极大地阻碍了实际应用。在本文中,我们提出了一种多模态方法,以联合预测产品属性和提取价值的文本产品描述的帮助下的产品图像。我们认为,产品属性和价值是高度相关的,例如,在给定产品属性的条件下,将更容易提取值。因此,我们从多个方面对属性和值之间的相互作用联合建模属性预测和值提取任务。此外,产品形象对我们的任务有不同的产品属性和价值观的影响。因此,我们选择性地从产品图像中提取有用的视觉信息来增强我们的模型。我们标注了一个包含87,194个实例的多模态产品属性值数据集,该数据集上的实验结果表明,显式建模属性和值之间的关系有助于我们的方法建立它们之间的对应关系,并且有选择地利用视觉产品信息是必要的任务。我们的代码和数据集将向公众发布。
2020-09-15 cs.CL
MAVE: A Product Dataset for Multi-source Attribute Value Extraction
Google Research(谷歌研究院);Google(谷歌)
属性值提取是指从产品信息中识别感兴趣的属性值的任务。产品属性值在许多电子商务场景中是必不可少的,例如客户服务机器人,产品排名,检索和推荐。而在现实世界中,产品的属性值往往是不完整的,并随着时间的推移而变化,这极大地阻碍了实际应用。在本文中,我们介绍了MAVE,一个新的数据集,以更好地促进产品属性值提取的研究。MAVE由来自亚马逊页面的220万件产品组成,其中包含1257个独特类别的300万个属性值注释。MAVE有四个主要和独特的优势:首先,MAVE是最大的产品属性值提取数据集的属性值的例子的数量。其次,MAVE包括来自产品的多源表示,它捕获了具有高属性覆盖率的完整产品信息。第三,MAVE表示相对于以前的数据集覆盖的属性和值的更多样化的集合。最后,MAVE提供了一个非常具有挑战性的zero-shot测试集,正如我们在实验中所展示的那样。我们进一步提出了一种新的方法,有效地提取多源产品信息的属性值。我们进行了广泛的实验与几个基线,并表明MAVE是一个有效的数据集属性值提取任务。zero-shot属性提取也是一个非常具有挑战性的课题。数据可在{ \it \url{https://github.com/google-research-datasets/MAVE} }获取。
2021-12-16 cs.CL cs.IR
CUSTOM: Aspect-Oriented Product Summarization for E-Commerce
JD AI Research(京东人工智能研究院)
产品摘要旨在自动生成产品描述,具有很大的商业潜力。考虑到客户对不同产品方面的偏好,生成面向方面的定制摘要将受益匪浅。然而,常规系统通常集中于提供一般产品概要,这可能错过将产品与客户兴趣相匹配的机会。为了解决这个问题,我们提出了自定义的,面向方面的产品摘要电子商业,它产生不同的和可控的摘要对不同的产品方面。为了支持CUSTOM的研究并进一步推进这一研究,我们构建了两个中文数据集,即,智能手机和计算机,分别包括12,118/11,497个真实世界商业产品的76,279/49,280个简短摘要。此外,我们介绍了EXT,一个提取增强生成框架的定制,其中两个著名的序列到序列模型在本文中实现。我们在两个CUSTOM数据集上进行了大量的实验,并展示了两个著名的基线模型和EXT的结果,这表明EXT可以生成多样化,高质量和一致的摘要。
2021-08-18 cs.CL
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
Deep Recurrent Neural Networks for Product Attribute Extraction in eCommerce
Walmart Labs(沃尔玛实验室)
从产品标题中提取准确的属性质量是通过丰富的分面搜索为电子商务客户提供有价值的在线购物体验的重要组成部分。我们展示了深度递归网络在这一领域的潜力,主要是双向LSTM和双向LSTM-CRF等模型,无论是否有注意力机制。与以前的基准测试相比,这些测试提高了整体F1分数(More等人)。至少0.0391,展示了97.94%的总体准确率,94.12%的召回率和0.9599的F1得分。这使我们实现了对产品重要方面或属性的显著覆盖,这不仅显示了深度递归模型在以前的机器学习基准测试中的功效,而且大大增强了在线购物时的整体客户体验。
2018-03-29 cs.AI cs.CL
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
A Hybrid Supervised-LLM Pipeline for Actionable Suggestion Mining in Unstructured Customer Reviews
Department of Computer Science & Information Systems, Birla Institute of Technology and Science, Pilani, India(印度比拉理工学院计算机科学与信息系统系);Birdeye Inc.(Birdeye公司)
本文提出一种混合监督-大语言模型管道,用于从无结构客户评论中精准提取可操作建议,通过结合RoBERTa分类器和指令调优的LLM,提升提取准确性和聚类一致性,同时揭示领域适应与部署挑战。
2026-01-27 cs.AI cs.CL
Dichotomic Pattern Mining with Applications to Intent Prediction from Semi-Structured Clickstream Datasets
AI Center of Excellence, Fidelity Investments(富达投资人工智能卓越中心)
我们引入了一个模式挖掘框架,该框架在半结构化数据集上运行,并利用结果之间的二分法。我们的方法利用约束推理,找到频繁发生的序列模式,并表现出所需的属性。这允许创建新颖的模式嵌入,这对知识提取和预测建模非常有用。最后,我们提出了一个应用程序的客户意图预测从数字点击流数据。总体而言,我们表明,模式嵌入在半结构化数据和机器学习模型之间起着集成者的作用,提高了下游任务的性能,并保持了可解释性。
2022-01-23 cs.AI cs.IR cs.LG
Speaker Emotion Recognition: Leveraging Self-Supervised Models for Feature Extraction Using Wav2Vec2 and HuBERT
本研究利用自监督模型Wav2Vec2和HuBERT从原始音频自动提取特征进行说话人情感识别,在多个公开数据集及呼叫中心真实场景中验证了方法的有效性。
2024-11-06 cs.AI cs.LG cs.SD
A Framework of Customer Review Analysis Using the Aspect-Based Opinion Mining Approach
Praxis Business School(普拉西斯商学院)
意见挖掘是计算的一个分支,它处理人们的意见、评价、态度和情感及其不同方面。近年来,这一领域吸引了大量的研究兴趣。在实际应用中通常需要基于方面的意见挖掘,因为它提供了关于实体和实体本身的不同方面的详细意见或情感,这些意见或情感通常是行动所需的。因此,方面提取和实体提取是基于方面的意见挖掘的两个核心任务。他的论文提出了一种基于方面的意见挖掘的框架,该框架基于迁移学习的概念。亚马逊网站上的真实客户评论。该模型在基于方面的意见挖掘中取得了令人满意的结果。
2022-12-20 cs.CL cs.LG
Credit card score prediction using machine learning models: A new dataset
Birzeit University(比尔宰特大学);Universiti Kebangsaan Malaysia(马来西亚国民大学);Basrah University for Oil and Gas(巴士拉石油天然气大学);Al-Balqa Applied University(拜勒加应用大学)
本研究提出新信用卡评分数据集,比较多种机器学习模型,发现MLP在预测违约方面性能最佳,AUC达86.7%,准确率91.6%,助力金融机构早期风险预测。
2023-10-15 cs.AI 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
Aspect Extraction and Sentiment Classification of Mobile Apps using App-Store Reviews
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
了解客户情绪对产品开发很有用。最重要的是,如果可以知道开发顺序的优先级,那么开发程序就会变得更简单。这项工作试图在移动应用领域解决这个问题。随着方面和意见提取这项工作还分类提取方面根据其重要性。这可以帮助开发人员将时间和精力集中在正确的地方。
2017-12-09 cs.CL
Natural language processing on customer note data
Manchester Metropolitan University(曼彻斯特城市大学);Auto Trader Group(汽车交易商集团)
针对B2B客户备注数据学术研究少、大体量数据人工分析难度大的问题,将情感分析、主题建模与关键词提取应用于B2B数据集,验证了自动提取准确情感、按相关性归类主题的可行性,同时指出主题划分不清晰会导致其与业务场景脱节。
2023-05-03 cs.CL
Turning Conversations into Workflows: A Framework to Extract and Evaluate Dialog Workflows for Service AI Agents
Salesforce AI Research(Salesforce AI研究院)
提出从历史对话中提取并评估服务AI智能体工作流的框架,采用检索与QA-CoT提示生成,在ABCD数据集上平均宏精度提升12.16%,评估与人类判断高度一致。
2025-02-24 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
A Natural Language Processing and Deep Learning based Model for Automated Vehicle Diagnostics using Free-Text Customer Service Reports
初始故障检测和诊断是提高车辆运行效率、安全性和稳定性的必要措施。近年来,许多研究调查了数据驱动的方法,以改善车辆诊断过程中使用现有的车辆数据。此外,数据驱动的方法,以加强客户服务代理的互动。在这项研究中,我们展示了一个机器学习管道,以改善自动车辆诊断。首先,自然语言处理(NLP)用于自动从自由文本故障报告(在客户致电服务部门期间生成)中提取关键信息。然后,使用深度学习算法来验证服务请求并过滤模糊或误导性的声明。最终,实现不同的分类算法来对服务请求进行分类,以便将有效的服务请求定向到相关的服务部门。所提出的模型-双向长短期记忆(BiLSTM)以及卷积神经网络(CNN)-与技术人员的能力相比,在验证服务请求方面显示出超过18%的准确性提高。此外,在预处理和特征提取阶段使用基于域的NLP技术以及基于CNN-BiLSTM的请求验证增强了梯度树提升(GTB)服务分类模型的准确性($>25\%$),灵敏度($>39\%$),特异性($>11\%$)和精度($>11\%$)。受试者工作特征曲线下面积(ROC-AUC)达到0.82。
2021-11-29 cs.CL cs.SY eess.SP
Confirmatory Aspect-based Opinion Mining Processes
Yonsei University(延世大学);University of Florida(佛罗里达大学);California State University, Chico(加州州立大学奇科分校);Iowa State University(爱荷华州立大学)
提出了一种新的意见提取方法来总结非结构化的、用户生成的内容(即,在线客户评论)。为了区分当前的方法从其他意见提取方法,这是经常暴露于稀疏性问题和缺乏情感分数,一个验证性的方面为基础的意见挖掘框架,以及其实用的算法称为DiSSBUS。在该过程中,1)每个客户评论被分解成一组子句; 2)每个子句被使用词性(POS)标记器总结为双术语-主题词和评价词;以及3)每个双术语与与特定领域相关的预先指定的主题相匹配。与现有方法相比,所提出的过程具有两个主要优点:1)它们可以将单个评论分解为与感兴趣领域中的预先指定的主题相关的一组双术语,因此,2)允许通过双术语组内的评价词来识别评论者对主题的意见。将所提出的基于方面的意见挖掘应用于夏威夷餐厅的顾客评论,从TripAdvisor获得的实证结果验证了该方法的有效性。关键词:基于子句的情感分析,客户评论,意见挖掘,主题建模,用户生成内容。
2019-07-30 cs.CL
Automating Customer Needs Analysis: A Comparative Study of Large Language Models in the Travel Industry
University of Pisa(比萨大学)
本研究比较了多种大语言模型在旅游客户需求提取中的表现,发现开源模型Mistral 7B能以更低成本达到与大型闭源模型相当的性能。
2025-04-09 cs.AI cs.CL cs.HC
MOSAIC: Modular Opinion Summarization using Aspect Identification and Clustering
Viator, TripAdvisor(Viator、TripAdvisor)
MOSAIC通过分解摘要任务为可解释的组件,提升在线市场中产品评价的实用性和可靠性,通过A/B测试和离线实验验证其在方面覆盖和忠实度上的优势。
2026-03-01 cs.CL cs.LG
Information Extraction and Human-Robot Dialogue towards Real-life Tasks: A Baseline Study with the MobileCS Dataset
Tsinghua University(清华大学);Tsinghua University-China Mobile Communications Group Co., Ltd. Joint Institute(清华大学-中国移动通信集团有限公司联合研究院);China Mobile Research Institute(中国移动研究院)
最近,已经合并了一类通过绿野仙踪模拟游戏收集的面向任务的对话(TOD)数据集。然而,《绿野仙踪》的数据实际上是模拟数据,因此与现实生活中的对话有着根本的不同,现实生活中的对话更加嘈杂和随意。最近,SereTOD挑战赛组织并发布了MobileCS数据集,该数据集由真实用户与中国移动客服人员之间的真实对话记录组成。基于MobileCS数据集,SereTOD挑战赛有两个任务,不仅要评估对话系统本身的构建,还要检查对话记录中的信息抽取,这对于构建TOD知识库至关重要。本文主要介绍了一个基线研究的两个任务与MobileCS数据集。我们介绍了两个基线是如何构建的,遇到的问题,以及结果。我们预计,基线可以促进令人兴奋的未来研究,以建立人类机器人对话系统的现实生活中的任务。
2022-10-18 cs.AI cs.CL
Automating Customer Service using LangChain: Building custom open-source GPT Chatbot for organizations
Birla Vishvakarma Mahavidyalaya(比拉维什瓦卡玛学院)
本研究针对传统FAQ客户服务的过时问题,提出基于LangChain的开源定制聊天机器人Sahaay,融合网页抓取、微调等技术,结合Flan T5系列模型实现知识检索,可跨行业提供实时个性化服务,重塑客户与企业的关系。
2023-10-09 cs.CL cs.CY cs.LG
ARSENAL: Automatic Requirements Specification Extraction from Natural Language
SRI International(SRI国际公司);TTTech C. AG(TTTech股份公司)
需求是从利益相关者(客户、用户、操作员、设计师和工程师)的角度对复杂系统预期行为的非正式和半正式描述。然而,对于关键系统的设计、测试和验证,我们可以将需求转换为可以自动分析的形式化模型。ARSENAL是一个框架和方法,用于系统地将自然语言(NL)需求转换为可分析的形式化模型和逻辑规范。可以分析这些模型的一致性和可实现性。ARSENAL方法专门针对各个领域,但该方法足够通用,可以适应新的领域。
2016-04-20 cs.CL cs.SE
Learning to Extract Cross-Domain Aspects and Understanding Sentiments Using Large Language Models
Indian Institute of Technology, Guwahati(印度古瓦哈蒂印度理工学院)
本研究分析大语言模型在跨领域基于方面的情感分析任务中的能力,构建可迁移的分析框架,在SemEval-2015 Task 12数据集上达到92%的准确率。
2025-01-15 cs.CL
Subjectivity Classification using Machine Learning Techniques for Mining Feature-Opinion Pairs from Web Opinion Sources
Jamia Millia Islamia(贾米亚·米利亚伊斯兰大学)
由于Web 2.0的蓬勃发展,网络意见来源正在迅速涌现,其中包含对客户和制造商都有用的宝贵信息。最近,基于特征的意见挖掘技术正在获得动力,其中客户评论被自动处理,用于挖掘产品特征和用户对它们的意见。然而,客户评论可能包含固执己见和事实的句子。事实内容的提取通过防止噪声和不相关的提取来提高挖掘性能。本文提出了一种结合监督机器学习和基于规则的方法从主观评论句中挖掘可行的特征-意见对的方法。在所提出的方法的第一阶段,监督机器学习技术被应用于分类的主观和客观的句子从客户评论。在下一阶段,实施基于规则的方法,该方法应用文本的语言和语义分析,从第一阶段后保留的主观句子中挖掘可行的特征-意见对。所提出的方法的有效性,建立通过实验对不同的电子产品的客户评论。
2013-12-25 cs.CL cs.IR cs.LG
PhantomFill: When the Form Demands an Answer, Language Models Invent One
研究语言模型在表单填充时的表现,发现表单格式会致其产生幻觉,通过实验展示不同模型在不同格式要求下的编造情况,发布幻影填充基准,测试一行模式代码修复方法,揭示模型在格式压力下诚实性受影响的问题。
2026-07-28 cs.AI cs.CL cs.LG
Aspect-Based Relational Sentiment Analysis Using a Stacked Neural Network Architecture
Bielefeld University(比勒费尔德大学)
情感分析可以被认为是一个关系抽取问题,其中需要提取一些意见持有者对产品、主题或事件的某个方面的情感。我们提出了一种新的神经结构的情感分析作为一个关系抽取问题,解决这个问题分为三个子任务:i)方面和意见条款的识别,ii)标签的意见条款与情感,和iii)提取意见条款和方面之间的关系。对于每一个子任务,我们提出了一个神经网络为基础的组件,并将它们组合成一个完整的系统的关系情感分析。用于方面和意见术语提取的组件是由堆叠在卷积神经网络之上的递归神经网络组成的混合架构。这种方法的性能优于标准卷积深度神经架构和递归网络架构,并且与其他方法相比,在两个带注释的客户评论数据集上具有竞争力。为了提取个人意见术语的情感,我们提出了一种结合词距离特征的递归架构,并取得了令人满意的结果,其准确率超过了大多数基线的18%,并为USAGE数据集提供了第一个结果。我们的关系抽取组件在方面意见关系抽取方面比当前最先进的组件性能高15%的F-Measure。
2017-09-19 cs.CL
Word Embedding-based Text Processing for Comprehensive Summarization and Distinct Information Extraction
School of Systems and Enterprises, Stevens Institute of Technology(史蒂文斯理工学院系统与企业学院)
在本文中,我们提出了两个自动化的文本处理框架,专门设计用于分析在线评论。第一个框架的目标是通过提取基本句子来总结评论数据集。这是通过将句子转换为数字向量并使用基于其相似性水平的社区发现算法对其进行聚类来执行的。然后,测量每个句子的相关性得分,以确定其在每个聚类中的重要性级别,并将其分配为该社区的标签。第二个框架是基于一个问答神经网络模型训练,以提取多个不同的问题的答案。收集的答案被有效地聚类,以找到客户可能提出的单个问题的多个不同答案。拟议的框架比现有的审查处理解决方案更全面。
2020-04-21 cs.CL cs.LG
Instruct-DeBERTa: A Hybrid Approach for Aspect-based Sentiment Analysis on Textual Reviews
University of Ruhuna(鲁胡纳大学);University of Moratuwa(莫拉图瓦大学);Emojot Inc.(埃莫乔特公司)
本文提出混合模型Instruct-DeBERTa,结合InstructABSA与DeBERTa-V3-baseabsa-V1分别进行方面提取和情感分类,在SemEval 2014数据集上显著提升了ABSA任务的准确性和可靠性。
2024-08-23 cs.AI cs.CL
Keyword Extraction, and Aspect Classification in Sinhala, English, and Code-Mixed Content
Sri Lanka Institute of Information Technology(斯里兰卡信息技术学院)
针对传统NLP模型处理僧伽罗语-英语等低资源语言混合代码文本时存在的分类错误、忽略及缺乏领域知识问题,本研究提出混合NLP方法,在关键词提取、内容过滤和方面分类上取得较高准确率,为混合代码及低资源银行环境的品牌声誉监测提供准确可扩展方案。
2025-04-14 cs.AI cs.CL cs.LG
LLM-Ensemble: Optimal Large Language Model Ensemble Method for E-commerce Product Attribute Value Extraction
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Walmart Global Tech(沃尔玛全球科技)
针对不同大语言模型在电商属性值抽取任务中各有优劣的问题,提出迭代学习权重的LLM-ensemble集成算法,理论最优且高效安全,在沃尔玛内部数据上优于单模型,已上线并提升多项业务指标。
2024-06-20 cs.AI cs.CL cs.IR
Why We Feel What We Feel: Joint Detection of Emotions and Their Opinion Triggers in E-commerce
Computer Science and Engineering, IIT Bombay, India(计算机科学与工程系,印度理工学院班加罗尔);Flipkart, India(Flipkart,印度)
本文提出联合情绪检测与观点触发词提取任务EOT,构建含2400条评论的EOT-X数据集,并设计结构化提示框架EOT-DETECT,在23个大语言模型上验证其优于零样本和思维链方法。
2025-07-07 cs.CL
BERT Post-Training for Review Reading Comprehension and Aspect-based Sentiment Analysis
Tsinghua University(清华大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
问答在电子商务中起着重要的作用,因为它允许潜在客户主动寻求有关产品或服务的关键信息,以帮助他们做出购买决策。受最近机器阅读理解(MRC)在正式文档上的成功启发,本文探讨了将客户评论转化为可用于回答用户问题的大量知识来源的潜力。我们把这个问题称为复习阅读理解(RRC)。据我们所知,目前还没有关于RRC的工作。在这项工作中,我们首先建立一个RRC数据集称为ReviewRC基于流行的基准为基础的方面的情感分析。由于ReviewRC对RRC(以及基于方面的情感分析)的训练样本有限,因此我们在流行的语言模型BERT上探索了一种新的后训练方法,以增强RRC的BERT微调性能。为了显示该方法的通用性,所提出的后训练也适用于其他一些基于审查的任务,如方面提取和方面的情感分类在基于方面的情感分析。实验结果表明,所提出的后训练是非常有效的。数据集和代码可在https://www.cs.uic.edu/~hxu/上获得。
2019-05-04 cs.CL
A Multi-Agent System for Generating Actionable Business Advice
Birla Institute of Technology and Science, Pilani(比拉理工学院和科学学院);Birdeye Inc.(Birdeye公司)
本文提出基于多智能体和LLM的框架,通过整合聚类、生成、迭代评估和可行性排序,生成具体且可操作的商业建议。
2026-01-17 cs.AI cs.CL
ReviewGraph: A Knowledge Graph Embedding Based Framework for Review Rating Prediction with Sentiment Features
LIACS, Leiden University(莱顿大学LIACS);LUMC, Leiden University(莱顿大学LUMC)
针对酒店行业评论评分预测问题,提出ReviewGraph框架,将评论转化为带情感得分的知识图谱,结合图嵌入与情感特征预测评分,在HotelRec数据集上性能接近最优且成本更低,还具备可解释性等优势。
2025-11-15 cs.CL
ATESA-BÆRT: A Heterogeneous Ensemble Learning Model for Aspect-Based Sentiment Analysis
University Politehnica of Bucharest(布加勒斯特理工大学)
针对在线评论中多方面极性导致现有方案表现不佳的问题,提出异构集成学习模型 ATESA-BÆRT,通过将任务分为方面术语提取与情感分析两个子任务,对六个基于 transformers 的学习器使用 argmax 多类分类,在两个数据集上优于现有最先进解决方案。
2023-07-29 cs.AI cs.CL
User eXperience Perception Insights Dataset (UXPID): Synthetic User Feedback from Public Industrial Forums
Siemens AG(西门子股份公司);Eindhoven University of Technology(埃因霍温理工大学);Chalmers University of Technology(楚克大学);Malmö University(马尔默大学)
本文提出UXPID数据集,包含7130条合成匿名用户反馈,用于研究用户需求、用户体验分析及AI驱动反馈处理,尤其在隐私和许可限制下访问真实数据时具有价值。
2026-05-08 cs.CL cs.LG
Benchmarking Logistic Regression, SVM, and LightGBM Against BiLSTM with Attention for Sentiment Analysis on Indonesian Product Reviews
Institut Teknologi Sumatera(印度尼西亚苏门答腊理工大学)
本文比较了逻辑回归、SVM和LightGBM与基于BiLSTM和注意力机制的深度学习方法,在印尼产品评论二分类中的性能。传统机器学习方法在高维数据集上可与复杂深度学习架构竞争并略微领先,同时计算效率更高。
2026-04-28 cs.CL