論文の概要: Effect of Toxic Review Content on Overall Product Sentiment

• arxiv url: http://arxiv.org/abs/2201.02857v1
• Date: Sat, 8 Jan 2022 16:40:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 17:35:49.153116
• Title: Effect of Toxic Review Content on Overall Product Sentiment
• Title（参考訳）: 有毒なレビュー内容が製品全体の感情に及ぼす影響
• Authors: Mayukh Mukhopadhyay and Sangeeta Sahney
• Abstract要約: 本研究では,Google Playストアから3つのセクターに分離された18人のプレイヤーによるレビューコメントのバランスのとれたデータセットを収集する。 個々のレビュー内容の文レベルの感情と毒性のスコアを算出した。 我々は、コメント毒性が製品全体の感情に悪影響を及ぼすが、レビュアースコアに対するメディア効果がセクターの相対評価に影響を及ぼすことを観察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Toxic contents in online product review are a common phenomenon. A content is perceived to be toxic when it is rude, disrespectful, or unreasonable and make individuals leave the discussion. Machine learning algorithms helps the sell side community to identify such toxic patterns and eventually moderate such inputs. Yet, the extant literature provides fewer information about the sentiment of a prospective consumer on the perception of a product after being exposed to such toxic review content. In this study, we collect a balanced data set of review comments from 18 different players segregated into three different sectors from google play-store. Then we calculate the sentence-level sentiment and toxicity score of individual review content. Finally, we use structural equation modelling to quantitatively study the influence of toxic content on overall product sentiment. We observe that comment toxicity negatively influences overall product sentiment but do not exhibit a mediating effect over reviewer score to influence sector-wise relative rating.
• Abstract（参考訳）: オンライン製品レビューにおける有害コンテンツは一般的な現象である。 内容が無礼、無礼、あるいは不合理であるときに有害であると認識され、個人が議論を離れる。 機械学習アルゴリズムは、販売側コミュニティがこのような有害なパターンを識別し、最終的にはそのような入力を適度にするのに役立つ。 しかし、現存の文献では、有毒なレビュー内容に晒された後の製品に対する認識に対する消費者の感想に関する情報は少ない。 本研究では,Google Playストアから3つのセクターに分離した18人のプレイヤーによるレビューコメントのバランスのとれたデータセットを収集する。 次に,個々のレビュー内容の文レベル感情と毒性スコアを算出する。 最後に, 構造方程式モデリングを用いて, 有害成分が製品全体の感情に及ぼす影響を定量的に研究する。 コメント毒性は製品全体の感情に悪影響を及ぼすが、レビュアースコアに対するメディア効果はセクターの相対評価に影響を及ぼさない。

関連論文リスト

• Analytical and Empirical Study of Herding Effects in Recommendation Systems [72.6693986712978]
  評価アグリゲーションルールとショートリストされた代表レビューを用いて製品評価を管理する方法について検討する。 本稿では,Amazon と TripAdvisor の収束速度を向上させるために,適切な信頼度評価アグリゲーションルールが有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-20T14:29:23Z)
• Twits, Toxic Tweets, and Tribal Tendencies: Trends in Politically Polarized Posts on Twitter [5.161088104035108]
  個人レベルでの毒性と,Twitter/X上でのトピックレベルに寄与するパーシスタンスと感情分極が果たす役割について検討する。 43,151人のTwitter/Xユーザーから8960万のツイートを収集した後、パーティショニングを含むいくつかのアカウントレベルの特徴が、ユーザーが有害コンテンツを投稿する頻度を予測するかを決定する。
  論文  参考訳（メタデータ） (2023-07-19T17:24:47Z)
• Toxic Comments Hunter : Score Severity of Toxic Comments [0.0]
  本実験では,有毒なコメントに関連するさまざまなデータセットを収集する。 コメントデータの特徴から,データクリーニングや特徴抽出を行う。 モデル構築に関しては,TFIDFに基づくモデルのトレーニングにトレーニングセットを使用し,Bertモデルを微調整した。
  論文  参考訳（メタデータ） (2022-02-15T07:35:52Z)
• Annotators with Attitudes: How Annotator Beliefs And Identities Bias Toxic Language Detection [75.54119209776894]
  本研究では,アノテータのアイデンティティ(誰)と信念(なぜ)が有害な言語アノテーションに与える影響について検討する。 我々は、アンチブラック言語、アフリカ系アメリカ人の英語方言、俗語という3つの特徴を持つポストを考察する。 以上の結果から,アノテータのアイデンティティと信念と毒性評価の相関が強く示唆された。
  論文  参考訳（メタデータ） (2021-11-15T18:58:20Z)
• 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)
• News consumption and social media regulations policy [70.31753171707005]
  我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。 以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。 Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
  論文  参考訳（メタデータ） (2021-06-07T19:26:32Z)
• Designing Toxic Content Classification for a Diversity of Perspectives [15.466547856660803]
  我々は17,280人の参加者を対象に,有毒なコンテンツを構成するものに対するユーザの期待が,人口動態,信念,個人的経験によってどのように異なるかを調査した。 歴史的に嫌がらせのリスクがあるグループは、Reddit、Twitter、あるいは4chanから無作為なコメントを有害であると警告する傾向にある。 JigsawのパースペクティブAPIのような、現在の一大毒性分類アルゴリズムは、パーソナライズされたモデルチューニングによって、平均86%の精度で改善できることを示す。
  論文  参考訳（メタデータ） (2021-06-04T16:45:15Z)
• Sentiment Analysis on Customer Responses [0.0]
  そこでは、意見マイニング、テキストマイニング、感情を利用する。 本研究は, スマートフォンを肯定的, 否定的, 中立的行動に分け, さまざまな意見の感傷的分析を行う。
  論文  参考訳（メタデータ） (2020-07-05T04:50:40Z)
• Information Consumption and Social Response in a Segregated Environment: the Case of Gab [74.5095691235917]
  この研究は、COVID-19トピックに関するGab内のインタラクションパターンの特徴を提供する。 疑わしい、信頼できるコンテンツに対する社会的反応には、統計的に強い違いはない。 本研究は,協調した不正確な行動の理解と情報操作の早期警戒に関する知見を提供する。
  論文  参考訳（メタデータ） (2020-06-03T11:34:25Z)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)

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。