論文の概要: Sentiment Analysis on YouTube Smart Phone Unboxing Video Reviews in Sri
Lanka
- arxiv url: http://arxiv.org/abs/2302.03496v1
- Date: Sat, 4 Feb 2023 06:55:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 16:16:27.465034
- Title: Sentiment Analysis on YouTube Smart Phone Unboxing Video Reviews in Sri
Lanka
- Title（参考訳）: スリランカにおけるビデオレビューをアンボックスするyoutubeスマートフォンの感情分析
- Authors: Sherina Sally
- Abstract要約: この調査は、2021年にリリースされたApple iPhone 13、Google Pixel 6、Samsung Galaxy S21の3つのスマートフォンレビューに焦点を当てている。
語彙と規則に基づく感情分析ツールであるVADERは、それぞれのコメントを適切な正または負の向きに分類するために使用された。
3つのスマートフォンはいずれもユーザーから肯定的な評価を受けており、iPhone 13は最も肯定的な評価を受けている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Product-related reviews are based on users' experiences that are mostly
shared on videos in YouTube. It is the second most popular website globally in
2021. People prefer to watch videos on recently released products prior to
purchasing, in order to gather overall feedback and make worthy decisions.
These videos are created by vloggers who are enthusiastic about technical
materials and feedback is usually placed by experienced users of the product or
its brand. Analyzing the sentiment of the user reviews gives useful insights
into the product in general. This study is focused on three smartphone reviews,
namely, Apple iPhone 13, Google Pixel 6, and Samsung Galaxy S21 which were
released in 2021. VADER, which is a lexicon and rule-based sentiment analysis
tool was used to classify each comment to its appropriate positive or negative
orientation. All three smartphones show a positive sentiment from the users'
perspective and iPhone 13 has the highest number of positive reviews. The
resulting models have been tested using N\"aive Bayes, Decision Tree, and
Support Vector Machine. Among these three classifiers, Support Vector Machine
shows higher accuracies and F1-scores.
- Abstract（参考訳）: 製品関連レビューは、主にYouTubeのビデオで共有されるユーザー体験に基づいている。
2021年に世界で2番目に人気のあるウェブサイトである。
人々は購入する前に、全体的なフィードバックを集め、価値のある決定を下すために、最近リリースされた製品でビデオを見ることを好む。
これらのビデオは、技術材料に熱心であるvloggerたちによって作成され、フィードバックは通常、製品やブランドの経験豊富なユーザーによって置かれる。
ユーザレビューの感情を分析することは、製品全般に対する有用な洞察を与えます。
この調査は、2021年にリリースされたiPhone 13、Google Pixel 6、Samsung Galaxy S21の3つのスマートフォンレビューに焦点を当てている。
語彙と規則に基づく感情分析ツールであるVADERは、それぞれのコメントを適切な正または負の向きに分類するために使用された。
3つのスマートフォンはいずれもユーザーの視点から肯定的な評価を示し、iphone 13は肯定的なレビュー数が最も多い。
得られたモデルはN\"aive Bayes, Decision Tree, Support Vector Machineを使ってテストされている。
これら3つの分類器のうち、Support Vector Machineはより高い精度とF1スコアを示している。
関連論文リスト
- Video-Bench: A Comprehensive Benchmark and Toolkit for Evaluating
Video-based Large Language Models [81.84810348214113]
ビデオベースの大規模言語モデル(Video-LLMs)が最近導入され、認識と理解の基本的な改善と多様なユーザからの問い合わせの両方をターゲットにしている。
このようなモデルの開発を導くため、堅牢で包括的な評価システムの構築が重要となる。
本稿では,ビデオLLMの評価に特化して設計されたツールキットとともに,新しい総合的なベンチマークであるtextitVideo-Benchを提案する。
論文 参考訳（メタデータ） (2023-11-27T18:59:58Z) - ViCo: Engaging Video Comment Generation with Human Preference Rewards [68.50351391812723]
ビデオコメント生成の課題に対処するために,3つの新しいデザインのViCoを提案する。
コメントのエンゲージメントを定量化するために、各コメントが受け取る「いいね!
コメントのエンゲージメントを自動的に評価するために、我々は報酬モデルをトレーニングし、その判断を上記のプロキシに合わせる。
論文 参考訳（メタデータ） (2023-08-22T04:01:01Z) - Subjective and Objective Analysis of Streamed Gaming Videos [60.32100758447269]
ゲームビデオにおける主観的および客観的ビデオ品質評価(VQA)モデルについて検討する。
LIVE-YouTube Gaming Video Quality (LIVE-YT-Gaming) と呼ばれる新しいゲームビデオリソースを作成しました。
このデータについて主観的人間調査を行い,61名の被験者が記録した品質評価18,600名を得た。
論文 参考訳（メタデータ） (2022-03-24T03:02:57Z) - Reviews in motion: a large scale, longitudinal study of review
recommendations on Yelp [24.34131115451651]
我々は、プラットフォームがレビューのためにフィルタリング決定を変更する「再分類」に焦点を当てる。
私たちは1250万以上のレビューをコンパイルします。
我々のデータは、人口密度の低下と低中間所得地域の変化により、再分類における人口格差が示唆されている。
論文 参考訳（メタデータ） (2022-02-18T03:27:53Z) - The Potential of Using Vision Videos for CrowdRE: Video Comments as a
Source of Feedback [0.8594140167290097]
我々は、CrowdREで視覚ビデオを使用する可能性を分析し、評価する。
ケーススタディでは、YouTubeのヴィジュアルビデオに対する4505のコメントを分析した。
CrowdREの視覚ビデオの利用は大きな可能性を秘めていると結論付けている。
論文 参考訳（メタデータ） (2021-08-04T14:18:27Z) - Can We Automate Scientific Reviewing? [89.50052670307434]
我々は、最先端自然言語処理(NLP)モデルを用いて、科学論文の第一パスピアレビューを生成する可能性について論じる。
我々は、機械学習領域で論文のデータセットを収集し、各レビューでカバーされているさまざまなコンテンツに注釈を付け、レビューを生成するために論文を取り込み、ターゲットの要約モデルを訓練する。
総合的な実験結果から、システム生成レビューは、人間によるレビューよりも、論文の多くの側面に触れる傾向にあることが示された。
論文 参考訳（メタデータ） (2021-01-30T07:16:53Z) - E-commerce Query-based Generation based on User Review [1.484852576248587]
本稿では,従来のユーザによるレビューに基づいて,ユーザの質問に対する回答を生成するための新しいセク2seqベースのテキスト生成モデルを提案する。
ユーザの質問や感情の極性が与えられた場合,関心事の側面を抽出し,過去のユーザレビューを要約した回答を生成する。
論文 参考訳（メタデータ） (2020-11-11T04:58:31Z) - ReviewRobot: Explainable Paper Review Generation based on Knowledge
Synthesis [62.76038841302741]
レビュースコアを自動的に割り当てて,新規性や意味のある比較など,複数のカテゴリのコメントを書くための,新しいReviewRobotを構築した。
実験の結果,レビュースコア予測器の精度は71.4%-100%であった。
ドメインの専門家による人間による評価は、ReviewRobotが生成したコメントの41.7%-70.5%が有効で建設的であり、その20%は人間が書いたものよりも優れていることを示している。
論文 参考訳（メタデータ） (2020-10-13T02:17:58Z) - 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) - Feature-level Rating System using Customer Reviews and Review Votes [2.943984871413744]
オンラインショッピングサイト(Amazon)で収集されたさまざまなモバイル製品とレビュー投票に関する顧客レビューを分析した。
私たちの分析では、オンラインで販売されている4k以上のモバイルの108の機能を評価しています。
論文 参考訳（メタデータ） (2020-07-18T20:13:58Z) - Context-aware Helpfulness Prediction for Online Product Reviews [34.47368084659301]
本稿では,レビューの有用性を評価するニューラルディープ・ラーニング・モデルを提案する。
このモデルは畳み込みニューラルネットワーク(CNN)とコンテキスト認識符号化機構に基づいている。
我々は、人間の注釈付きデータセット上でモデルを検証し、その結果、既存のモデルよりも有益性予測に優れていたことを示す。
論文 参考訳（メタデータ） (2020-04-27T18:19:26Z)
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。