論文の概要: Sentiment Polarity Detection on Bengali Book Reviews Using Multinomial Naive Bayes

• arxiv url: http://arxiv.org/abs/2007.02758v1
• Date: Mon, 6 Jul 2020 13:58:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 02:27:29.718871
• Title: Sentiment Polarity Detection on Bengali Book Reviews Using Multinomial Naive Bayes
• Title（参考訳）: 多項ネイブベイを用いたベンガル書評における感情極性検出
• Authors: Eftekhar Hossain, Omar Sharif and Mohammed Moshiul Hoque
• Abstract要約: この研究は、ベンガルの書籍レビューから感情極性(肯定的または否定的なカテゴリー)を決定する機械学習ベースのテクニックを導入している。 提案手法の有効性を評価するため,ベンガル語本を2000点レビューしたコーパスを開発した。 実験結果から,ユニグラム特徴を持つ多項ネーブベイズは,テストセットにおいて84%の精度で他の手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 9.82954781633805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, sentiment polarity detection has increased attention to NLP researchers due to the massive availability of customer's opinions or reviews in the online platform. Due to the continued expansion of e-commerce sites, the rate of purchase of various products, including books, are growing enormously among the people. Reader's opinions/reviews affect the buying decision of a customer in most cases. This work introduces a machine learning-based technique to determine sentiment polarities (either positive or negative category) from Bengali book reviews. To assess the effectiveness of the proposed technique, a corpus with 2000 reviews on Bengali books is developed. A comparative analysis with various approaches (such as logistic regression, naive Bayes, SVM, and SGD) also performed by taking into consideration of the unigram, bigram, and trigram features, respectively. Experimental result reveals that the multinomial Naive Bayes with unigram feature outperforms the other techniques with 84% accuracy on the test set.
• Abstract（参考訳）: 近年,オンラインプラットフォームにおける顧客の意見やレビューの膨大な利用により,NLP研究者に対する感情極性検出が注目されている。 eコマースサイトの継続的な拡大により、書籍を含む様々な商品の購入率は人々の間で大きく伸びている。 読者の意見/レビューは、ほとんどの場合、顧客の購入決定に影響する。 本研究は,ベンガル書評から感情極性(肯定的,否定的)を決定する機械学習に基づく手法を提案する。 提案手法の有効性を評価するため,ベンガル語本を2000点レビューしたコーパスを開発した。 様々なアプローチ(ロジスティック回帰、単純ベイズ、SVM、SGDなど)との比較分析も、ユニグラム、ビッグラム、トリグラムの特徴を考慮して行われた。 実験の結果,ユニグラム特徴の多項ベイズは,他の手法よりも84%精度で優れていることがわかった。

関連論文リスト

• A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [58.6354685593418]
  本稿では, レビューを評価するために, 記事レベル, フィールド正規化, 大規模言語モデルを用いた書誌指標を提案する。 新たに登場したAI生成の文献レビューも評価されている。 この研究は、文学レビューの現在の課題についての洞察を与え、彼らの開発に向けた今後の方向性を思い起こさせる。
  論文  参考訳（メタデータ） (2024-02-20T11:28:50Z)
• Unmasking Falsehoods in Reviews: An Exploration of NLP Techniques [0.0]
  本研究は,誤認レビューを識別する機械学習モデルを提案する。 これを実現するために,n-gramモデルと最大特徴量を開発し,認識内容を効果的に同定する。 実験結果から,パッシブ・アグレッシブ・クラシファイアは様々なアルゴリズムにおいて顕著であることがわかった。
  論文  参考訳（メタデータ） (2023-07-20T06:35:43Z)
• Application of Transformers based methods in Electronic Medical Records: A Systematic Literature Review [77.34726150561087]
  本研究は,異なるNLPタスクにおける電子カルテ(EMR)のトランスフォーマーに基づく手法を用いて,最先端技術に関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-04-05T22:19:42Z)
• Evaluating the Effectiveness of Pre-trained Language Models in Predicting the Helpfulness of Online Product Reviews [0.21485350418225244]
  オンライン製品レビューの有用性を予測するため,RoBERTaとXLM-R言語モデルの比較を行った。 実験にはAmazonレビューデータセットを使用します。
  論文  参考訳（メタデータ） (2023-02-19T18:22:59Z)
• Online Fake Review Detection Using Supervised Machine Learning And BERT Model [0.0]
  テキストから単語の埋め込みを抽出するためにBERT(Bidirectional Representation from Transformers)モデルを提案する(レビュー)。 その結果、SVM分類器は精度で他より優れており、f1スコアは精度87.81%であることがわかった。
  論文  参考訳（メタデータ） (2023-01-09T09:40:56Z)
• Generating Persuasive Responses to Customer Reviews with Multi-Source Prior Knowledge in E-commerce [11.586256303135329]
  顧客レビューは通常、自分のオンラインショッピング体験に関する多くの情報を含んでいる。 各否定的なレビューに対して慎重にかつ説得力を持って回答し、その不利な効果を最小限に抑えることが不可欠である。 説得応答生成のためのマルチソースマルチアスペクト注意生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-09-20T06:20:45Z)
• A Dataset on Malicious Paper Bidding in Peer Review [84.68308372858755]
  悪意あるレビュアーは、紙の割り当てを非倫理的に操作するために戦略的に入札した。 この問題を緩和するための方法の作成と評価への重要な障害は、悪意ある紙入札に関する公開データの欠如である。 我々は、参加者に正直に、悪意的に入札するよう指示されたモックカンファレンス活動から収集された、新しいデータセットをリリースする。
  論文  参考訳（メタデータ） (2022-06-24T20:23:33Z)
• An Empirical Investigation of Personalization Factors on TikTok [77.34726150561087]
  TikTokのアルゴリズムがプラットフォームの成功とコンテンツの配布に重要であるにもかかわらず、アルゴリズムの実証的な分析はほとんど行われていない。 我々は,私たちが開発したカスタムアルゴリズムを用いたソック・パペット・監査手法を用いて,TikTokへのアクセスに使用される言語と位置情報の効果を検証,分析した。 その結果,フォローフェールが最も強い影響を受けており,ライクフェールやビデオ視聴率が高いことが判明した。
  論文  参考訳（メタデータ） (2022-01-28T17:40:00Z)
• 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)
• SentiLSTM: A Deep Learning Approach for Sentiment Analysis of Restaurant Reviews [13.018530502810128]
  本稿では,レストランのクライアントが提供したレビューを肯定的,否定的な極性に分類する深層学習技術(BiLSTM)を提案する。 テストデータセットの評価の結果、BiLSTM技術は91.35%の精度で生成された。
  論文  参考訳（メタデータ） (2020-11-19T06:24:42Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)

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。