論文の概要: A Retail-Corpus for Aspect-Based Sentiment Analysis with Large Language Models

• arxiv url: http://arxiv.org/abs/2508.17994v1
• Date: Mon, 25 Aug 2025 13:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.784835
• Title: A Retail-Corpus for Aspect-Based Sentiment Analysis with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたアスペクトベース感性分析のためのリテールコーパス
• Authors: Oleg Silcenco, Marcos R. Machad, Wallace C. Ugulino, Daniel Braun,
• Abstract要約: 本研究では,店舗を対象とする多言語顧客レビュー10,814件を手作業でアノテートしたデータセットを提案する。 アスペクトベース感情分析におけるGPT-4とLLaMA-3の性能を評価し、新たに導入されたデータのベースラインを確立する。
• 参考スコア（独自算出の注目度）: 1.137457877869062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aspect-based sentiment analysis enhances sentiment detection by associating it with specific aspects, offering deeper insights than traditional sentiment analysis. This study introduces a manually annotated dataset of 10,814 multilingual customer reviews covering brick-and-mortar retail stores, labeled with eight aspect categories and their sentiment. Using this dataset, the performance of GPT-4 and LLaMA-3 in aspect based sentiment analysis is evaluated to establish a baseline for the newly introduced data. The results show both models achieving over 85% accuracy, while GPT-4 outperforms LLaMA-3 overall with regard to all relevant metrics.
• Abstract（参考訳）: アスペクトベースの感情分析は、感情検出を特定の側面に関連付け、従来の感情分析よりも深い洞察を与える。 本研究は,8つの側面と感情をラベル付けした,ブロック・アンド・モルタル小売店を対象とした10,814の多言語顧客レビューを手作業でアノテートしたデータセットを提案する。 このデータセットを用いて、アスペクトベースの感情分析におけるGPT-4とLLaMA-3の性能を評価し、新たに導入されたデータのベースラインを確立する。 GPT-4 は LLaMA-3 を総合的に上回り, いずれのモデルも 85% 以上の精度で達成している。

関連論文リスト

• Reference Points in LLM Sentiment Analysis: The Role of Structured Context [0.0]
  本研究では, 補足情報が大規模言語モデル(LLM)を用いた感情分析に与える影響について検討する。 構造化プロンプトにより、より小さなモデルで競争性能を達成できることが示される。
  論文  参考訳（メタデータ） (2025-08-15T13:04:32Z)
• Learning to Extract Cross-Domain Aspects and Understanding Sentiments Using Large Language Models [4.604003661048267]
  アスペクトベースの感情分析(ASBA)は、感情分析の洗練されたアプローチである。 製品、サービス、エンティティの特定の側面や特徴に基づいて感情を抽出し、分類することを目的としています。
  論文  参考訳（メタデータ） (2025-01-15T17:36:56Z)
• Aspect-Based Sentiment Analysis Techniques: A Comparative Study [2.0813232115705618]
  Aspect-based Sentiment Analysis (ABSA) は人工知能(AI)の進歩に支えられている 本研究では、2つのベンチマークデータセット(Restaurant14とLaptop-14)でABSAのディープNN手法を比較した。 FAST LSA は 87.6% と 82.6% の精度で最高の結果を得るが、それぞれ 90.33% と 86.21% の精度で LSA+DeBERTa を通過しない。
  論文  参考訳（メタデータ） (2024-07-03T06:21:07Z)
• Unveiling the Impact of Coding Data Instruction Fine-Tuning on Large Language Models Reasoning [64.5243480989869]
  コーディングデータは、事前訓練中に推論能力を高めることで知られています。 IFTにおける内的推論能力の活性化におけるその役割はいまだ検討されている。 IFT段階におけるLLMの推論能力に及ぼす符号化データの影響について検討する。
  論文  参考訳（メタデータ） (2024-05-30T23:20:25Z)
• Distortions in Judged Spatial Relations in Large Language Models [45.875801135769585]
  GPT-4は55%の精度で優れた性能を示し、GPT-3.5は47%、Llama-2は45%であった。 モデルは、ほとんどの場合において最も近い基数方向を同定し、その連想学習機構を反映した。
  論文  参考訳（メタデータ） (2024-01-08T20:08:04Z)
• Gemini vs GPT-4V: A Preliminary Comparison and Combination of Vision-Language Models Through Qualitative Cases [98.35348038111508]
  本稿では,Google の Gemini と OpenAI の GPT-4V(ision) の2つのパイオニアモデルについて,詳細な比較研究を行った。 分析の核となるのは、各モデルの視覚的理解能力である。 両モデルのユニークな強みとニッチを照らし出した。
  論文  参考訳（メタデータ） (2023-12-22T18:59:58Z)
• Is GPT-4 a Good Data Analyst? [67.35956981748699]
  我々は、GPT-4を、広範囲のドメインのデータベースでエンドツーエンドのデータ分析を行うためのデータ分析であると考えている。 我々は,複数の専門家データアナリストとGPT-4のパフォーマンスを体系的に比較するために,タスク固有の評価指標を設計する。 実験の結果, GPT-4はヒトに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2023-05-24T11:26:59Z)
• 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。