論文の概要: BanglaSentNet: An Explainable Hybrid Deep Learning Framework for Multi-Aspect Sentiment Analysis with Cross-Domain Transfer Learning

• arxiv url: http://arxiv.org/abs/2511.23264v1
• Date: Fri, 28 Nov 2025 15:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.957864
• Title: BanglaSentNet: An Explainable Hybrid Deep Learning Framework for Multi-Aspect Sentiment Analysis with Cross-Domain Transfer Learning
• Title（参考訳）: BanglaSentNet: クロスドメイントランスファー学習を用いたマルチアスペクト知覚分析のための説明可能なハイブリッドディープラーニングフレームワーク
• Authors: Ariful Islam, Md Rifat Hossen, Tanvir Mahmud,
• Abstract要約: 既存のアプローチには、説明可能性とクロスドメインの一般化機能が欠如している。 本稿では、LSTM、BiLSTM、GRU、BanglaBERTを統合した、説明可能なハイブリッドディープラーニングフレームワークであるBanglaSentNetを紹介する。 我々のフレームワークは、透過的な洞察のためのSHAPに基づく特徴属性と注意の可視化を取り入れている。
• 参考スコア（独自算出の注目度）: 5.518378568494161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-aspect sentiment analysis of Bangla e-commerce reviews remains challenging due to limited annotated datasets, morphological complexity, code-mixing phenomena, and domain shift issues, affecting 300 million Bangla-speaking users. Existing approaches lack explainability and cross-domain generalization capabilities crucial for practical deployment. We present BanglaSentNet, an explainable hybrid deep learning framework integrating LSTM, BiLSTM, GRU, and BanglaBERT through dynamic weighted ensemble learning for multi-aspect sentiment classification. We introduce a dataset of 8,755 manually annotated Bangla product reviews across four aspects (Quality, Service, Price, Decoration) from major Bangladeshi e-commerce platforms. Our framework incorporates SHAP-based feature attribution and attention visualization for transparent insights. BanglaSentNet achieves 85% accuracy and 0.88 F1-score, outperforming standalone deep learning models by 3-7% and traditional approaches substantially. The explainability suite achieves 9.4/10 interpretability score with 87.6% human agreement. Cross-domain transfer learning experiments reveal robust generalization: zero-shot performance retains 67-76% effectiveness across diverse domains (BanglaBook reviews, social media, general e-commerce, news headlines); few-shot learning with 500-1000 samples achieves 90-95% of full fine-tuning performance, significantly reducing annotation costs. Real-world deployment demonstrates practical utility for Bangladeshi e-commerce platforms, enabling data-driven decision-making for pricing optimization, service improvement, and customer experience enhancement. This research establishes a new state-of-the-art benchmark for Bangla sentiment analysis, advances ensemble learning methodologies for low-resource languages, and provides actionable solutions for commercial applications.
• Abstract（参考訳）: Banglaのeコマースレビューのマルチアスペクト感情分析は、限られた注釈付きデータセット、形態的複雑性、コードミキシング現象、ドメインシフトの問題などにより、依然として困難であり、3億人のBangla話者に影響を与える。 既存のアプローチには、説明可能性とクロスドメインの一般化機能が欠如している。 LSTM, BiLSTM, GRU, BanglaBERTを多視点感性分類のための動的重み付きアンサンブル学習により統合した,説明可能なハイブリッドディープラーニングフレームワークであるBanglaSentNetを提案する。 バングラデシュの主要eコマースプラットフォームから,Quality, Service, Price, Decorationという4つの側面にまたがって,手動で注釈付きBangla製品レビュー8,755のデータセットを紹介した。 我々のフレームワークは、透過的な洞察のためのSHAPに基づく特徴属性と注意の可視化を取り入れている。 BanglaSentNetは85%の精度と0.88F1スコアを達成した。 説明可能性スイートは、87.6%の人的合意で9.4/10の解釈可能性スコアを達成している。 クロスドメイン転送学習実験は、堅牢な一般化を示している: ゼロショットのパフォーマンスは、さまざまなドメイン(BanglaBookのレビュー、ソーシャルメディア、一般的なeコマース、ニュースの見出し)で67～76%の有効性を保ち、500～1000サンプルによる少数ショット学習は、完全な微調整性能の90～95%を達成し、アノテーションコストを大幅に削減する。 現実の展開はバングラデシュのeコマースプラットフォームに実用性を示し、価格最適化、サービス改善、顧客エクスペリエンスの向上のためにデータ駆動による意思決定を可能にする。 本研究は,Bangla感情分析のための最先端ベンチマークを新たに確立し,低リソース言語のためのアンサンブル学習手法を改良し,商用アプリケーションに実用的なソリューションを提供する。

関連論文リスト

• BanglaASTE: A Novel Framework for Aspect-Sentiment-Opinion Extraction in Bangla E-commerce Reviews Using Ensemble Deep Learning [0.0]
  Aspect-Based Sentiment Analysis (ABSA)は、ユーザ生成コンテンツからきめ細かい感情的洞察を抽出するための重要なツールとして登場した。 本稿では,Aspect Sentiment Triplet extract(ASTE)のための新しいフレームワークであるBanglaASTEを紹介する。 これは、Bangla製品レビューからアスペクト用語、意見表現、感情極性を同時に識別する。
  論文  参考訳（メタデータ） (2025-11-26T13:27:54Z)
• Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning? [50.03434441234569]
  フェデレートラーニング(FL)は、直接データ共有を必要とせず、さまざまなサイトで機械学習モデルをトレーニングする効果により、大きな人気を集めている。 局所的な更新を伴うFLは通信効率のよい分散学習フレームワークであることが様々なアルゴリズムによって示されているが、局所的な更新によるFLの一般化性能は比較的低い。
  論文  参考訳（メタデータ） (2024-09-05T19:00:18Z)
• Building Math Agents with Multi-Turn Iterative Preference Learning [56.71330214021884]
  本稿では,モデル性能をさらに向上させるために,補完的な直接選好学習手法について検討する。 既存の直接選好学習アルゴリズムは、もともとシングルターンチャットタスク用に設計されている。 この文脈に合わせたマルチターン直接選好学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:41:04Z)
• BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
  多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。 我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
  論文  参考訳（メタデータ） (2023-12-26T08:14:46Z)
• BanglaBook: A Large-scale Bangla Dataset for Sentiment Analysis from Book Reviews [1.869097450593631]
  本稿では,バングラ書評の大規模データセットについて,肯定,否定,中立の3つのカテゴリに分類される158,065のサンプルからなる。 我々は、SVM、LSTM、Bangla-BERTなどのベースラインを確立するために、さまざまな機械学習モデルを使用します。 この結果から,手作業で作成する機能に依存したモデルよりも,事前訓練したモデルに対して,かなりの性能上の利点が示された。
  論文  参考訳（メタデータ） (2023-05-11T06:27:38Z)
• Federated Learning Under Intermittent Client Availability and Time-Varying Communication Constraints [29.897785907692644]
  フェデレートされた学習システムは、断続的なクライアントの可用性および/または時間変化の通信制約を伴う設定で動作する。 可用性に依存したクライアント選択戦略を学習する非バイアスアルゴリズムであるF3ASTを提案する。 CIFAR100とシェークスピアでそれぞれ186%,FedAvgは8%,FedAdamは7%であった。
  論文  参考訳（メタデータ） (2022-05-13T16:08:58Z)
• CoSSL: Co-Learning of Representation and Classifier for Imbalanced Semi-Supervised Learning [98.89092930354273]
  本稿では,非バランスなSSLのための非結合表現学習と分類器学習を用いた新しいコラーニングフレームワーク(CoSSL)を提案する。 データ不均衡に対処するため、分類器学習のためのTFE(Tail-class Feature Enhancement)を考案した。 実験により,本手法は様々な分散分布において,他の手法よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-12-08T20:13:13Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)

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。