論文の概要: Enhancing Game Review Sentiment Classification on Steam Platform with Attention-Based BiLSTM

• arxiv url: http://arxiv.org/abs/2605.01315v1
• Date: Sat, 02 May 2026 08:17:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.700824
• Title: Enhancing Game Review Sentiment Classification on Steam Platform with Attention-Based BiLSTM
• Title（参考訳）: アテンションベースBiLSTMを用いた蒸気プラットフォーム上でのゲームレビューセンチメント分類の強化
• Authors: Abit Ahmad Oktarian, Fadhil Fitra Wijaya, Dhafin Razaqa Luthfi, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang,
• Abstract要約: 著者らは、TF-IDFとPyCaret AutoMLに基づく従来の機械学習ベースラインと、PyTorchで実装されたディープラーニングアプローチを比較した。 BiLSTM+Attentionモデルは、クラス不均衡に対応するためにクラス重み付きクロスエントロピーを用いて訓練され、テストセット上で83%の精度と85%の重み付きF1スコアを達成する。 本稿は,BiLSTM+AttentionモデルがSteamレビューのユーザ感情の分析に有効であり,開発者がプレイヤーのフィードバックを理解するのに役立つことを結論付けている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates sentiment classification of Steam game reviews using an attention-based Bidirectional Long Short-Term Memory (BiLSTM) model. Using a dataset of 50,000 reviews sampled from a larger Steam review corpus, the authors compare a traditional machine learning baseline based on TF-IDF and PyCaret AutoML with a deep learning approach implemented in PyTorch. The proposed BiLSTM+Attention model is trained with class-weighted cross-entropy to address class imbalance and achieves 83% accuracy and 85% weighted F1-score on the test set, with 90% recall for negative reviews. The paper also presents attention visualizations to show interpretability by highlighting sentiment-bearing words. The study concludes that the BiLSTM+Attention model is effective for analyzing user sentiment in Steam reviews and useful for helping developers understand player feedback.
• Abstract（参考訳）: 本稿では,注目に基づくBidirectional Long Short-Term Memory (BiLSTM)モデルを用いて,Steamゲームレビューの感情分類を行う。 著者らは、より大きなSteamレビューコーパスからサンプリングされた5万件のレビューデータセットを使用して、TF-IDFとPyCaret AutoMLに基づく従来の機械学習ベースラインと、PyTorchで実装されたディープラーニングアプローチを比較した。 The proposed BiLSTM+Attention model are training with class-weighted cross-entropy to address class unbalance and achieve a 83% accuracy and 85% weighted F1-score on the test set, with 90% recall for negative review。 また,感傷的単語の強調による解釈性を示すために,注意力の可視化も行った。 この研究は、BiLSTM+AttentionモデルがSteamレビューのユーザ感情の分析に有効であり、開発者がプレイヤーのフィードバックを理解するのに役立つと結論付けている。

関連論文リスト

• Sentiment Analysis of Mobile Legends App Reviews Using Machine Learning and LSTM-Based Deep Learning Models [0.0]
  本稿では,Mobile Legendsアプリレビューの感情分析のための機械学習とLSTMに基づくディープラーニング手法を比較した。 TF-IDFとPyCaret AutoMLを使って従来のモデルを評価し、シーケンシャルテキスト依存関係をキャプチャするために設計されたLSTMモデルと比較する。
  論文  参考訳（メタデータ） (2026-05-02T08:25:59Z)
• Benchmarking Logistic Regression, SVM, and LightGBM Against BiLSTM with Attention for Sentiment Analysis on Indonesian Product Reviews [0.0]
  本稿では、PyCaret AutoMLフレームワークによる機械学習(ML)アプローチと、双方向長短期記憶(BiLSTM)アーキテクチャに基づくディープラーニング(DL)アプローチを比較し、インドネシア製品レビューのバイナリ感情分類のためのアテンションメカニズムと比較する。 ロジスティック回帰は97.26%、F1スコア97.26%で最高のML性能を達成した。
  論文  参考訳（メタデータ） (2026-04-28T10:00:42Z)
• Expanding the Capabilities of Reinforcement Learning via Text Feedback [49.561885700139676]
  テキストフィードバックをトレーニング中に利用できるが、推論では利用できないマルチターンRLセットアップであるテキストフィードバック(RLTF)を形式化する。 そこで本研究では, 自己蒸留法(RLTF-SD)と, フィードバック条件付き第2ターン世代に適合するように単一ターンポリシーを訓練するフィードバックモデリング法(RLTF-FM)の2つの手法を提案する。 以上の結果から,両手法はベンチマークにおいて強いベースラインを一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-02-02T18:56:56Z)
• Benchmarking ChatGPT and DeepSeek in April 2025: A Novel Dual Perspective Sentiment Analysis Using Lexicon-Based and Deep Learning Approaches [1.4968127458030251]
  本研究は,Google Play StoreのChatGPTとDeepSeekのユーザレビューを分析するための,新しい二重パースペクティブアプローチを提案する。 語彙に基づく感情分析(TextBlob)と、畳み込みニューラルネットワーク(CNN)やBidirectional Long Short Term Memory(Bi LSTM)ネットワークを含むディープラーニングの分類モデルを統合する。
  論文  参考訳（メタデータ） (2025-09-16T20:58:10Z)
• Pairwise or Pointwise? Evaluating Feedback Protocols for Bias in LLM-Based Evaluation [57.380464382910375]
  評価のためのフィードバックプロトコルの選択は,評価信頼性に大きく影響し,系統的なバイアスを生じさせることを示す。 ジェネレータモデルは、気を散らす機能を埋め込むことで好みをひっくり返すことができる。 我々は,データセットの特徴と評価目標に基づくフィードバックプロトコルの選択を推奨する。
  論文  参考訳（メタデータ） (2025-04-20T19:05:59Z)
• Perceiving University Student's Opinions from Google App Reviews [0.0]
  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。
  論文  参考訳（メタデータ） (2023-12-10T12:34:30Z)
• 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)
• 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)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)

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。