Fugu-MT 論文翻訳(概要): Sentiment Analysis of Movie Reviews Using BERT

論文の概要: Sentiment Analysis of Movie Reviews Using BERT

arxiv url: http://arxiv.org/abs/2502.18841v1
Date: Wed, 26 Feb 2025 05:30:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-27 14:57:59.476526
Title: Sentiment Analysis of Movie Reviews Using BERT
Title（参考訳）: BERTによる映画レビューの感性分析
Authors: Gibson Nkhata, Usman Anjum, Justin Zhan,
Abstract要約: 感性分析(英: Sentiment Analysis、SA)または意見マイニング(英: opinion mining)は、あらゆる種類のテキストからの感情や意見の分析である。本研究の目的は、映画レビューの感情分析のために、双方向長短期記憶(BiLSTM)を用いた変換器(BERT)からの双方向表現を微調整することである。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Sentiment Analysis (SA) or opinion mining is analysis of emotions and opinions from any kind of text. SA helps in tracking peoples viewpoints and it is an important factor when it comes to social media monitoring product and brand recognition customer satisfaction customer loyalty advertising and promotions success and product acceptance. That is why SA is one of the active research areas in Natural Language Processing (NLP). SA is applied on data sourced from various media platforms to mine sentiment knowledge from them. Various approaches have been deployed in the literature to solve the problem. Most techniques devise complex and sophisticated frameworks in order to attain optimal accuracy. This work aims to finetune Bidirectional Encoder Representations from Transformers (BERT) with Bidirectional Long Short-Term Memory (BiLSTM) for movie reviews sentiment analysis and still provide better accuracy than the State-of-The-Art (SOTA) methods. The paper also shows how sentiment analysis can be applied if someone wants to recommend a certain movie for example by computing overall polarity of its sentiments predicted by the model. That is our proposed method serves as an upper-bound baseline in prediction of a predominant reaction to a movie. To compute overall polarity a heuristic algorithm is applied to BERTBiLSTM output vector. Our model can be extended to three-class four-class or any fine-grained classification and apply overall polarity computation again. This is intended to be exploited in future work.
Abstract（参考訳）: 感性分析(英: Sentiment Analysis、SA)または意見マイニング(英: opinion mining)は、あらゆる種類のテキストからの感情や意見の分析である。 SAは人々の視点を追跡するのに役立ち、ソーシャルメディアモニタリング製品やブランド認識顧客満足度広告、成功と製品受容の促進において重要な要素である。そのため、SAは自然言語処理(NLP)の活発な研究分野の1つである。 SAは様々なメディアプラットフォームから得られたデータに適用され、それらから感情の知識を抽出する。この問題を解決するために、文献に様々なアプローチが展開されている。ほとんどのテクニックは、最適な精度を達成するために複雑で洗練されたフレームワークを考案する。本研究の目的は、映画レビューの感情分析のために、双方向長短期記憶(BiLSTM)を用いた変換器(BERT)からの双方向エンコーダ表現を微調整することであり、それでもステート・オブ・ザ・アーツ(SOTA)法よりも精度が高い。また、モデルによって予測される感情の全体極性を計算することで、ある映画を推薦したい場合、感情分析がどのように適用できるかを示す。提案手法は,映画に対する主反応を予測する上で,上行ベースラインとして機能する。全体極性を計算するために、BERTBiLSTM出力ベクトルにヒューリスティックアルゴリズムを適用する。我々のモデルは、三級四等級や細粒度分類に拡張でき、また全体極性計算を適用することができる。これは将来の作業で利用されることを意図している。

関連論文リスト

AxBench: Steering LLMs? Even Simple Baselines Outperform Sparse Autoencoders [73.37603699731329]
ステアリングと概念検出のための大規模ベンチマークであるAxBenchを紹介する。ステアリングでは、すべての既存のメソッドを高速に処理し、次いで微調整する。概念検出では、差分のような表現に基づく手法が最善を尽くす。
論文参考訳（メタデータ） (2025-01-28T18:51:24Z)
PanoSent: A Panoptic Sextuple Extraction Benchmark for Multimodal Conversational Aspect-based Sentiment Analysis [74.41260927676747]
本稿では,マルチモーダル対話感分析(ABSA)を導入することでギャップを埋める。タスクをベンチマークするために、手動と自動の両方で注釈付けされたデータセットであるPanoSentを構築し、高品質、大規模、マルチモーダル、マルチ言語主義、マルチシナリオを特徴とし、暗黙の感情要素と明示的な感情要素の両方をカバーする。課題を効果的に解決するために,新しい多モーダルな大規模言語モデル(すなわちSentica)とパラフレーズベースの検証機構とともに,新しい感覚の連鎖推論フレームワークを考案した。
論文参考訳（メタデータ） (2024-08-18T13:51:01Z)
Do LLMs Think Fast and Slow? A Causal Study on Sentiment Analysis [136.13390762317698]
感性分析(SA)は、製品レビューのようなテキストで表される感情を特定することを目的としている。レビューとそれに関連する感情を踏まえると、この研究は2つのタスクの組み合わせとしてSAを定式化します。総感情スコアがすべての文レベル感情の平均を近似するとC1、総感情スコアがピークとエンドの感情の平均を近似するとC2と分類する。
論文参考訳（メタデータ） (2024-04-17T04:04:34Z)
Understanding Social Perception, Interactions, and Safety Aspects of Sidewalk Delivery Robots Using Sentiment Analysis [0.3069335774032178]
本稿では、Sidewalk Delivery Robots(SDRs)に関連するYouTubeビデオに対する、総合的な感情分析(SA)について述べる。収集したYouTubeコメントに陰性(0),陽性(0),中性((2))の3つのラベルを手動で注釈付けした。次に、テキスト感情分類のためのモデルを構築し、二項分類と三項分類の両方でモデルの性能を検証した。
論文参考訳（メタデータ） (2024-03-09T23:28:01Z)
LLMs for Targeted Sentiment in News Headlines: Exploring the Descriptive-Prescriptive Dilemma [0.0]
本稿では,ニュース見出しの感情分析のために,最先端のLCMと微調整エンコーダモデルの精度を比較した。我々は、ゼロショットから精巧な数ショットのプロンプトまで、プロンプトの規範性によってパフォーマンスがどのように影響を受けるかを分析する。 LLMは記述的データセット上で微調整エンコーダよりも優れており、キャリブレーションやF1スコアは記述性の向上とともに一般的に改善されている。
論文参考訳（メタデータ） (2024-03-01T10:10:34Z)
Sentiment Analysis through LLM Negotiations [58.67939611291001]
感情分析の標準的なパラダイムは、単一のLCMに依存して、その決定を1ラウンドで行うことである。本稿では,感情分析のためのマルチLLMネゴシエーションフレームワークを提案する。
論文参考訳（メタデータ） (2023-11-03T12:35:29Z)
Leveraging ChatGPT As Text Annotation Tool For Sentiment Analysis [6.596002578395151]
ChatGPTはOpenAIの新製品で、最も人気のあるAI製品として登場した。本研究では、さまざまな感情分析タスクのためのデータラベリングツールとしてのChatGPTについて検討する。
論文参考訳（メタデータ） (2023-06-18T12:20:42Z)
Exploring Sentiment Analysis Techniques in Natural Language Processing: A Comprehensive Review [0.15229257192293202]
感性分析(英: Sentiment Analysis、SA)は、テキストによる感情の検出と理解を自動化するプロセスである。 SAは自然言語処理(NLP)の分野で大きな人気を集めている。本研究の目的は,SAプロセスの効率性と精度の向上であり,よりスムーズでエラーのない結果をもたらすことである。
論文参考訳（メタデータ） (2023-05-24T07:48:41Z)
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)
Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文参考訳（メタデータ） (2020-10-13T21:33:24Z)

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。