論文の概要: Comparative Sentiment Analysis of App Reviews

• arxiv url: http://arxiv.org/abs/2006.09739v1
• Date: Wed, 17 Jun 2020 09:28:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 20:17:45.002625
• Title: Comparative Sentiment Analysis of App Reviews
• Title（参考訳）: アプリレビューの感性比較分析
• Authors: Sakshi Ranjan, Subhankar Mishra
• Abstract要約: 本研究は,アプリレビューの感情分類を行い,大学生のアプリ市場に対する行動を特定することを目的とする。 TF-IDFテキスト表現方式を用いて機械学習アルゴリズムを適用し,アンサンブル学習法の性能評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Google app market captures the school of thought of users via ratings and text reviews. The critique's viewpoint regarding an app is proportional to their satisfaction level. Consequently, this helps other users to gain insights before downloading or purchasing the apps. The potential information from the reviews can't be extracted manually, due to its exponential growth. Sentiment analysis, by machine learning algorithms employing NLP, is used to explicitly uncover and interpret the emotions. This study aims to perform the sentiment classification of the app reviews and identify the university students' behavior towards the app market. We applied machine learning algorithms using the TF-IDF text representation scheme and the performance was evaluated on the ensemble learning method. Our model was trained on Google reviews and tested on students' reviews. SVM recorded the maximum accuracy(93.37\%), F-score(0.88) on tri-gram + TF-IDF scheme. Bagging enhanced the performance of LR and NB with accuracy of 87.80\% and 85.5\% respectively.
• Abstract（参考訳）: google app marketは、評価やテキストレビューを通じてユーザーの思考を捉えている。 アプリに関する批判の見解は、満足度レベルに比例する。 その結果、他のユーザーがアプリをダウンロードまたは購入する前に洞察を得るのに役立つ。 指数的な成長のため、レビューから潜在的情報を手作業で抽出することはできない。 NLPを用いた機械学習アルゴリズムによる感情分析は、感情を明示的に発見し解釈するために用いられる。 本研究の目的は,アプリレビューの感情分類を行い,大学生のアプリ市場に対する行動を特定することである。 TF-IDFテキスト表現方式を用いて機械学習アルゴリズムを適用し,アンサンブル学習法の性能評価を行った。 われわれのモデルはGoogleのレビューで訓練され、学生のレビューでテストされた。 SVMは最大精度(93.37\%)、Fスコア(0.88)をトリグラム+TF-IDF方式で記録した。 バギングは、それぞれ87.80\%と85.5\%の精度でLRとNBの性能を高めた。

関連論文リスト

• A Benchmark for Fairness-Aware Graph Learning [58.515305543487386]
  本稿では,10の代表的な公正性を考慮したグラフ学習手法に関する広範なベンチマークを示す。 我々の詳細な分析は、既存の手法の強みと限界に関する重要な洞察を明らかにしている。
  論文  参考訳（メタデータ） (2024-07-16T18:43:43Z)
• Cobra Effect in Reference-Free Image Captioning Metrics [58.438648377314436]
  視覚言語事前学習モデル(VLM)を活用した参照フリー手法の普及が出現している。 本稿では,基準自由度に欠陥があるかどうかを考察する。 GPT-4Vは生成した文を評価するための評価ツールであり,提案手法がSOTA(State-of-the-art)の性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-02-18T12:36:23Z)
• Fairness Concerns in App Reviews: A Study on AI-based Mobile Apps [9.948068408730654]
  本研究は,モバイルアプリレビューにおける公平性の懸念を調査することを目的としている。 我々の研究は、AIベースのモバイルアプリレビューに焦点を当てており、AIベースのアプリの不公平な振る舞いや結果が非AIベースのアプリよりも高い可能性がある。
  論文  参考訳（メタデータ） (2024-01-16T03:43:33Z)
• Perceiving University Student's Opinions from Google App Reviews [0.0]
  本研究は,アプリレビューの感情分類を行い,探索的分析により大学生のアプリ市場に対する行動を特定する。 TP, TF, TF IDFテキスト表現方式を用いて機械学習アルゴリズムを適用し, Bagging の性能評価を行った。
  論文  参考訳（メタデータ） (2023-12-10T12:34:30Z)
• Deep Learning for Opinion Mining and Topic Classification of Course Reviews [0.0]
  オンラインで公開されている多数のコースレビューを収集し、事前処理しました。 我々は,学生の感情やトピックに対する洞察を得るために,機械学習技術を適用した。 感情極性では、トップモデルは95.5%のRoBERTa、84.7%のF1-macro、トピック分類では、SVMは79.8%の精度と80.6%のF1-macroである。
  論文  参考訳（メタデータ） (2023-04-06T21:48:29Z)
• Proactive Prioritization of App Issues via Contrastive Learning [2.6763498831034043]
  本稿では,アプリの問題を積極的に優先順位付けする新しいフレームワークPPriorを提案する。 PPriorはトレーニング済みのT5モデルを採用し、3段階で動作する。 フェーズ1は、事前訓練されたT5モデルを、セルフ教師された方法でユーザレビューデータに適用する。 第2フェーズでは、コントラストトレーニングを活用して、ユーザレビューの汎用的かつタスクに依存しない表現を学習する。
  論文  参考訳（メタデータ） (2023-03-12T06:23:10Z)
• Giving Feedback on Interactive Student Programs with Meta-Exploration [74.5597783609281]
  ウェブサイトやゲームのようなインタラクティブなソフトウェアを開発することは、特にコンピュータ科学を学ぶための魅力的な方法である。 標準的アプローチでは、インストラクターは、学生が実装した対話型プログラムを手動で評価する必要がある。 Code.orgのような何百万ものオンラインプラットフォームは、インタラクティブなプログラムを実装するための代入に関するフィードバックを提供することができない。
  論文  参考訳（メタデータ） (2022-11-16T10:00:23Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• Get It Scored Using AutoSAS -- An Automated System for Scoring Short Answers [63.835172924290326]
  SAS(Automatic Short Answer Scoring)への高速でスケーラブルで正確なアプローチを提示します。 SASのためのシステム、すなわちAutoSASの設計と開発を提案し、説明します。 AutoSASは最先端のパフォーマンスを示し、いくつかの質問のプロンプトで8%以上良い結果が得られる。
  論文  参考訳（メタデータ） (2020-12-21T10:47:30Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。