論文の概要: Perceiving University Student's Opinions from Google App Reviews
- arxiv url: http://arxiv.org/abs/2312.06705v1
- Date: Sun, 10 Dec 2023 12:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 18:46:07.588631
- Title: Perceiving University Student's Opinions from Google App Reviews
- Title(参考訳): Google Appのレビューから大学生の意見を理解する
- 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,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。
- 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: Google app market captures the school of thought of users from every corner
of the globe via ratings and text reviews, in a multilinguistic arena. The
potential information from the reviews cannot be extracted manually, due to its
exponential growth. So, Sentiment analysis, by machine learning and deep
learning algorithms employing NLP, explicitly uncovers and interprets the
emotions. This study performs the sentiment classification of the app reviews
and identifies the university student's behavior towards the app market via
exploratory analysis. We applied machine learning algorithms using the TP, TF,
and TF IDF text representation scheme and evaluated its performance on Bagging,
an ensemble learning method. We used word embedding, Glove, on the deep
learning paradigms. Our model was trained on Google app reviews and tested on
Student's App Reviews(SAR). The various combinations of these algorithms were
compared amongst each other using F score and accuracy and inferences were
highlighted graphically. SVM, amongst other classifiers, gave fruitful
accuracy(93.41%), F score(89%) on bigram and TF IDF scheme. Bagging enhanced
the performance of LR and NB with accuracy of 87.88% and 86.69% and F score of
86% and 78% respectively. Overall, LSTM on Glove embedding recorded the highest
accuracy(95.2%) and F score(88%).
- Abstract(参考訳): google app marketは、世界中のあらゆる地域から、格付けやテキストレビューを通じて、多言語的な分野でユーザーの考えを捉えている。
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。
そこで、NLPを用いた機械学習とディープラーニングアルゴリズムによる感性分析は、感情を明示的に解明し、解釈する。
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。
本研究では, 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, アンサンブル学習手法であるBaggingの性能評価を行った。
ディープラーニングのパラダイムでは、単語埋め込み、グローブを使いました。
私たちのモデルはGoogleのアプリレビューでトレーニングされ、学生のApp Reviews(SAR)でテストされました。
これらのアルゴリズムの様々な組み合わせをFスコアを用いて比較し、精度と推測をグラフィカルに強調した。
SVMは他の分類器の中でも実りのある精度(93.41%)、ビッグラムのFスコア(89%)、TF IDFスキームのFスコア(89%)を与えた。
バグングはlrとnbの性能を87.88%、86.69%、fスコアを86%、78%で向上させた。
総合的に、Gloveの埋め込みにおけるLSTMは最高精度(95.2%)とFスコア(88%)を記録した。
関連論文リスト
- Comparative Analysis of Libraries for the Sentimental Analysis [0.0]
この研究は、機械学習手法を用いたライブラリの比較を行うことが主な目的である。
PythonとRの5つのライブラリ、NLTK、Textlob Vader、Transformer(GPTとBERTの事前トレーニング)、Tidytextを使って感情分析技術を適用する。
論文 参考訳(メタデータ) (2023-07-26T17:21:53Z) - HomE: Homography-Equivariant Video Representation Learning [62.89516761473129]
マルチビュービデオの表現学習のための新しい手法を提案する。
提案手法は異なる視点間の暗黙的なマッピングを学習し,近隣の視点間のホモグラフィ関係を維持する表現空間を決定づける。
動作分類では,UCF101データセットの96.4%の3倍精度が得られた。
論文 参考訳(メタデータ) (2023-06-02T15:37:43Z) - Preserving Knowledge Invariance: Rethinking Robustness Evaluation of
Open Information Extraction [50.62245481416744]
実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。
我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。
さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
論文 参考訳(メタデータ) (2023-05-23T12:05:09Z) - 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) - A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%~30%、ハードケースでは36%~43%である。
論文 参考訳(メタデータ) (2023-03-23T16:15:03Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳(メタデータ) (2021-04-14T14:20:22Z) - Student sentiment Analysis Using Classification With Feature Extraction
Techniques [0.0]
本稿では,Webベースの学習とその学生に対する効果について述べる。
私たちは、ロジスティック回帰(LR)、サポートベクトルマシン(SVM)、ナイーブベイズ(NB)、決定木(DT)といった機械学習手法をどのように研究した。
論文 参考訳(メタデータ) (2021-02-01T18:48:06Z) - 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) - Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。
我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。
これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
論文 参考訳(メタデータ) (2020-08-08T03:02:27Z) - Voice@SRIB at SemEval-2020 Task 9 and 12: Stacked Ensembling method for
Sentiment and Offensiveness detection in Social Media [2.9008108937701333]
埋め込み、Sentimixのアンサンブルメソッド、OffensEvalタスクをトレーニングします。
我々は、マクロF1スコア、精度、精度、およびデータセットのリコールについて、我々のモデルを評価する。
論文 参考訳(メタデータ) (2020-07-20T11:54:43Z) - Comparative Sentiment Analysis of App Reviews [0.0]
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。
論文 参考訳(メタデータ) (2020-06-17T09:28:07Z)
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。