Fugu-MT 論文翻訳(概要): Sentiment Analysis of Mobile Legends App Reviews Using Machine Learning and LSTM-Based Deep Learning Models

論文の概要: Sentiment Analysis of Mobile Legends App Reviews Using Machine Learning and LSTM-Based Deep Learning Models

arxiv url: http://arxiv.org/abs/2605.01317v1
Date: Sat, 02 May 2026 08:25:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:49.701618
Title: Sentiment Analysis of Mobile Legends App Reviews Using Machine Learning and LSTM-Based Deep Learning Models
Title（参考訳）: 機械学習とLSTMに基づくディープラーニングモデルを用いたモバイルレジェンドアプリレビューの感性分析
Authors: Vira Putri Maharani, Kharisa Harvanny, Daris Samudra, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang,
Abstract要約: 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。
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 compares Machine Learning and LSTM-based Deep Learning methods for sentiment analysis of Mobile Legends app reviews. Using a dataset of 10,000 reviews labeled as positive, negative, and neutral, the study evaluates traditional models with TF-IDF and PyCaret AutoML and compares them against an LSTM model designed to capture sequential text dependencies. The results show that the LSTM model outperforms the classical Machine Learning baselines, achieving 92% accuracy and a weighted F1-score of 91%. The findings indicate that deep learning is more effective for handling informal and context-dependent user review text.
Abstract（参考訳）: 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。その結果,LSTMモデルは従来の機械学習のベースラインよりも優れており,92%の精度と重み付きF1スコアが91%であることがわかった。その結果, ディープラーニングは, 非公式および文脈に依存したユーザレビューテキストを扱う上で, より効果的であることが示唆された。

関連論文リスト

Benchmarking LightGBM and BiLSTM for Sentiment Analysis on Indonesian E-Commerce Reviews [0.0]
本評価は,Hugging Faceをベースとしたインドネシアのeコマースレビューデータセットを用いて,感情分析タスクで実施する。 BiLSTMアーキテクチャは、インドネシアのレビューテキストのシーケンシャルなコンテキストをキャプチャする能力が高く、この特定の分類タスクにおいて優れたモデルとなっている。
論文参考訳（メタデータ） (2026-05-02T08:38:18Z)
Text-Based Approaches to Item Difficulty Modeling in Large-Scale Assessments: A Systematic Review [18.045716459188366]
アイテムの難しさは、テストパフォーマンス、スコアの解釈可能性、そして、特に大規模な評価において、すべてのテストテイカーにとって重要な役割を担います。アイテム困難モデリングへの伝統的なアプローチは、フィールドテストと古典的テスト理論(CTT)に基づくアイテム分析またはアイテム応答理論(IRT)キャリブレーションに依存している。本稿では,2025年5月までの大規模評価設定において,自動項目難易度予測に関する37項目をレビューし,合成する。
論文参考訳（メタデータ） (2025-09-27T20:19:39Z)
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)
LecEval: An Automated Metric for Multimodal Knowledge Acquisition in Multimedia Learning [58.98865450345401]
本稿では,マイアーのマルチメディア学習認知理論に基礎を置く自動計量であるLecEvalを紹介する。 LecEvalは、コンテンツ関連(CR)、表現的明瞭度(EC)、論理構造(LS)、聴取エンゲージメント(AE)の4つのルーリックを用いて効果を評価する私たちは、50以上のオンラインコースビデオから2000以上のスライドからなる大規模なデータセットをキュレートします。
論文参考訳（メタデータ） (2025-05-04T12:06:47Z)
Accelerating Large Language Model Pretraining via LFR Pedagogy: Learn, Focus, and Review [50.78587571704713]
Learn-Focus-Review(LFR)は、モデルの学習進捗に適応する動的トレーニングアプローチである。 LFRは、データブロック(トークンのシーケンス)にわたるモデルの学習パフォーマンスを追跡し、データセットの困難な領域を再検討する。フルデータセットでトレーニングされたベースラインモデルと比較して、LFRは一貫して低いパープレキシティと高い精度を達成した。
論文参考訳（メタデータ） (2024-09-10T00:59:18Z)
The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
論文参考訳（メタデータ） (2023-09-20T10:31:17Z)
Language models are weak learners [71.33837923104808]
本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
論文参考訳（メタデータ） (2023-06-25T02:39:19Z)
On Learning to Summarize with Large Language Models as References [101.79795027550959]
大型言語モデル (LLM) は、一般的な要約データセットにおける元の参照要約よりも人間のアノテーションに好まれる。より小さなテキスト要約モデルに対するLLM-as-reference学習設定について検討し,その性能が大幅に向上するかどうかを検討する。
論文参考訳（メタデータ） (2023-05-23T16:56:04Z)
Empirical evaluation of shallow and deep learning classifiers for Arabic sentiment analysis [1.1172382217477126]
本研究は、アラビア語レビューの感情分析のためのディープラーニングモデルの性能を詳細に比較したものである。この研究で使用されるデータセットは、アラビア語のホテルと本レビューデータセットである。その結果,2次・複数ラベル分類では深層学習が浅層学習より優れており,文献で報告された同様の研究結果とは対照的であった。
論文参考訳（メタデータ） (2021-12-01T14:45:43Z)
Sentiment Analysis of Yelp Reviews: A Comparison of Techniques and Models [15.37212212881138]
我々は5000のレストランで35万以上のYelpレビューを使用して、テキスト前処理技術に関するアブレーション調査を行います。機械学習モデルでは、二項のbag-of-word表現を使用し、バイグラムを追加し、最小周波数制約を課し、正規化テキストがモデル性能に肯定的な影響を与えることがわかった。ディープラーニングモデルでは、事前学習された単語埋め込みと最大長のカプセル化によってモデル性能が向上することがよく見られる。
論文参考訳（メタデータ） (2020-04-15T18:50:49Z)

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。