論文の概要: Sentiment Analysis of Indonesian Spotify Reviews Using Machine Learning and BiLSTM

• arxiv url: http://arxiv.org/abs/2605.03443v1
• Date: Tue, 05 May 2026 07:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.818509
• Title: Sentiment Analysis of Indonesian Spotify Reviews Using Machine Learning and BiLSTM
• Title（参考訳）: 機械学習とBiLSTMを用いたインドネシアのSpotifyレビューの感性分析
• Authors: Uliano Wilyam Purba, Andre Hadiman Rotua Parhusip, Sahid Maulana, Luluk Muthoharoh, Ardika Satria, Martin C. T. Manullang,
• Abstract要約: 本稿では,インドネシアのSpotifyレビューの3クラス評価分類において,機械学習とディープラーニングのアプローチをベンチマークする。 BiLSTMは全体の感情検出に強く、SMOTEによる機械学習はよりバランスの取れた3クラスのパフォーマンスを提供する。
• 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 benchmarks classical machine learning and deep learning approaches for three-class sentiment classification of Indonesian Spotify reviews. Using 100,000 scraped reviews and 70,155 cleaned samples, the study compares Support Vector Machine, Multinomial Naive Bayes, and Decision Tree models with a two-layer BiLSTM. Both approaches use the same preprocessing pipeline, including slang normalization, stopword removal, and stemming. Decision Tree achieves the best performance among the classical models, while BiLSTM attains the highest weighted F1-score overall but fails on the minority neutral class. The paper concludes that BiLSTM is stronger for overall sentiment detection, whereas machine learning with SMOTE provides more balanced three-class performance.
• Abstract（参考訳）: 本稿では、インドネシアのSpotifyレビューの3クラス感情分類のための古典的機械学習とディープラーニングアプローチをベンチマークする。 10万件のレビューと70,155件のサンプルを使って、Support Vector Machine、Multinomial Naive Bayes、Decision Treeモデルと2層BiLSTMを比較した。 どちらのアプローチも、スラング正規化、ストップワード除去、スムーミングなど、同じ前処理パイプラインを使用している。 決定木(Decision Tree)は古典的なモデルの中で最高のパフォーマンスを達成し、BiLSTMは全体として最も重み付けされたF1スコアに達するが、少数派の中立クラスでは失敗する。 一方、SMOTEを用いた機械学習はバランスの取れた3クラスのパフォーマンスを提供する。

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)
• 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)
• Sentiment Analysis of AI Adoption in Indonesian Higher Education Using Machine Learning and Transformer-Based Models [0.0]
  本研究は、高等教育における人工知能の導入に関するインドネシアの学生の意見を分析する。 データセットは2,295のラベル付きサンプルで構成され、1,154人の学生の意見と追加の語彙的感情データを組み合わせた。
  論文  参考訳（メタデータ） (2026-04-30T05:25:05Z)
• Benchmarking PyCaret AutoML Against BiLSTM for Fine-Grained Emotion Classification: A Comparative Study on 20-Class Emotion Detection [0.0]
  本研究では、20クラスの感情分類のための古典的機械学習とディープラーニングアプローチをベンチマークする。 その結果, BiLSTMは89%の精度, 重み付きF1スコア0.89で最高の総合性能を達成できた。
  論文  参考訳（メタデータ） (2026-04-29T05:31:45Z)
• Comparative Analysis of AutoML and BiLSTM Models for Cyberbullying Detection on Indonesian Instagram Comments [0.0]
  この研究は、インドネシア語のInstagramコメントで、サイバーいじめ検出のための機械学習とディープラーニングのアプローチを比較した。 Bullying and Non-Bullyingとラベル付けされた650コメントのバランスの取れたデータセットを使用して、この調査は、TF-IDF機能を備えたNaive Bayes、Logistic Regression、Support Vector Machineを評価する。 インドネシアの非公式テキストに合わせた前処理パイプラインが適用され、スラング正規化、ストップワード除去、スリーミングが含まれる。
  論文  参考訳（メタデータ） (2026-04-29T02:14:07Z)
• SemiReward: A General Reward Model for Semi-supervised Learning [58.47299780978101]
  半教師付き学習(SSL)は、擬似ラベリングによる自己学習フレームワークの様々な改善により、大きな進歩をみせた。 主な課題は、高品質な擬似ラベルを確認バイアスと区別する方法である。 本稿では、報酬スコアを予測して高品質な擬似ラベルを評価・フィルタリングするセミ教師付きリワードフレームワーク(SemiReward)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T17:56:41Z)
• Adapted Multimodal BERT with Layer-wise Fusion for Sentiment Analysis [84.12658971655253]
  本稿では,マルチモーダルタスクのためのBERTベースのアーキテクチャであるAdapted Multimodal BERTを提案する。 アダプタはタスクの事前訓練された言語モデルを手動で調整し、融合層はタスク固有の層ワイドな音声視覚情報とテキストBERT表現を融合させる。 われわれは、このアプローチがより効率的なモデルにつながり、微調整されたモデルよりも優れ、ノイズの入力に堅牢であることを示した。
  論文  参考訳（メタデータ） (2022-12-01T17:31:42Z)
• Noise-resistant Deep Metric Learning with Ranking-based Instance Selection [59.286567680389766]
  PRISM(Probabilistic Ranking-based Instance Selection with Memory)と呼ばれるDMLの耐騒音トレーニング技術を提案する。 PRISMは、ニューラルネットワークの以前のバージョンから抽出された画像特徴との平均的類似性を用いて、ミニバッチ内のノイズデータを識別する。 メモリバンクが生み出す高い計算コストを緩和するために,個々のデータポイントをクラスセンタに置き換える高速化手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T03:22:17Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)
• MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down Distillation [153.56211546576978]
  本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。 このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。 実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
  論文  参考訳（メタデータ） (2020-08-27T13:04:27Z)

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。