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

• A Large-Scale Study of Relevance Assessments with Large Language Models: An Initial Look [52.114284476700874]
  本稿では,4つの異なる関連性評価手法が展開された大規模評価(TREC 2024 RAG Track)の結果について報告する。 自動生成UMBRELA判定は、完全に手動による判断を置き換えて、実行レベルの有効性を正確に捉えることができる。 意外なことに、LLMアシストは完全な手作業による評価と相関を増さないようで、人間のループプロセスに関連するコストは明らかな有意義な利益をもたらすものではないことを示唆している。
  論文  参考訳（メタデータ） (2024-11-13T01:12:35Z)
• Learning to Love Edge Cases in Formative Math Assessment: Using the AMMORE Dataset and Chain-of-Thought Prompting to Improve Grading Accuracy [0.0]
  本稿では,Rori による 53,000 個の質問応答対の新たなデータセットである AMMORE を紹介する。 2つの実験により,大規模言語モデル(LLM)を用いて,難解な学生の回答を段階的に評価する。
  論文  参考訳（メタデータ） (2024-09-26T14:51:40Z)
• 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)
• 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)
• 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)
• 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)
• 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。