論文の概要: Dual-Model Sentiment Analysis of Consumer Reviews in the Retail Coffee Sector Using Machine Learning and Deep Learning Approaches

• arxiv url: http://arxiv.org/abs/2608.12007v1
• Date: Wed, 12 Aug 2026 12:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.573215
• Title: Dual-Model Sentiment Analysis of Consumer Reviews in the Retail Coffee Sector Using Machine Learning and Deep Learning Approaches
• Title（参考訳）: 機械学習と深層学習を用いた小売店舗における消費者レビューの2モデル感覚分析
• Abstract要約: 本研究は,機械学習とディープラーニングのアプローチを用いて,Starbucksの顧客レビューの比較感情分析フレームワークを提案する。 ConsumerAffairsから収集されたデータセットには700以上のレビューが含まれており、前処理と探索データ分析を通じて分析された。 その結果,クラス不均衡は複数のモデルにおいて肯定的感情リコールに負の影響を及ぼした。
• 参考スコア（独自算出の注目度）: 0.24790748620223146
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Consumer reviews play an important role in shaping brand perception and business strategies, particularly in service-driven industries such as retail coffee. This study presents a comparative sentiment analysis framework for Starbucks customer reviews using classical machine learning and deep learning approaches. The dataset, collected from ConsumerAffairs, contains more than 700 reviews and was analyzed through preprocessing and exploratory data analysis to identify temporal and geographic patterns. Sentiment labels were generated by binarizing star ratings, with ratings of 4 and 5 classified as positive and ratings of 1 to 3 as negative. The resulting dataset was substantially imbalanced toward negative sentiment. Five machine learning classifiers, including Logistic Regression, Support Vector Machine (SVM), Decision Tree, Random Forest, and Naive Bayes, were evaluated alongside five deep learning models: LSTM, RNN, Bidirectional LSTM, GRU, and CNN. Model performance was assessed using accuracy, precision, recall, and F1-score. SVM achieved the highest accuracy among the machine learning models at 91.0 percent, while Bidirectional LSTM showed the strongest performance among the deep learning models and demonstrated good generalization on unseen data. The findings also show that class imbalance negatively affected positive sentiment recall across several models. Overall, this study provides a comparative evaluation of machine learning and deep learning approaches for real-world consumer sentiment analysis and highlights the importance of appropriate model selection and preprocessing for customer experience analytics in the retail coffee sector.
• Abstract（参考訳）: 消費者レビューは、ブランドの認識とビジネス戦略、特に小売コーヒーのようなサービス主導の産業において重要な役割を担っている。 本研究は,古典的機械学習とディープラーニングのアプローチを用いて,Starbucksの顧客レビューの比較感情分析フレームワークを提案する。 ConsumerAffairsが収集したデータセットには700以上のレビューが含まれており、前処理と探索データ分析を通じて分析し、時間的および地理的パターンを特定した。 感度ラベルは星のレーティングを二項化することで生成され、レーティングは4と5が正とされ、レーティングは1から3が負と分類された。 得られたデータセットは負の感情に対してほぼ不均衡であった。 Logistic Regression, Support Vector Machine (SVM), Decision Tree, Random Forest, Naive Bayesの5つの機械学習分類器を,LSTM, RNN, Bidirectional LSTM, GRU, CNNの5つのディープラーニングモデルとともに評価した。 モデル性能は精度、精度、リコール、F1スコアを用いて評価された。 SVMは機械学習モデルの中で最も高い精度を91.0%で達成し、Bidirectional LSTMはディープラーニングモデルの中で最も高い性能を示し、目に見えないデータに対して良い一般化を示した。 また,クラス不均衡は,複数のモデルにおいて肯定的感情リコールに負の影響を及ぼすことが示された。 本研究は、実際の消費者感情分析における機械学習とディープラーニングのアプローチの比較評価を行い、小売コーヒー部門における顧客体験分析における適切なモデル選択と事前処理の重要性を強調した。

関連論文リスト

• Unveiling Public Opinion: A Study of Sentiment Analysis Using LSTM and Traditional Models [0.3655021726150367]
  Twitter上の感情分析では、ツイートを肯定的、否定的、中立的な感情に分類する洗練された計算手法を採用している。 本稿では,機械学習と深層学習の有効性について検討する。 トークン化、レマティゼーション、ストップワード除去を通じて前処理されたKaggle Twitterデータセットを使用して、最適な感情分析モデルを特定する。
  論文  参考訳（メタデータ） (2026-07-08T16:32:39Z)
• Benchmarking Logistic Regression, SVM, Naive Bayes, and IndoBERT Fine-Tuning for Sentiment Analysis on Indonesian Product Reviews [0.0]
  本稿では,3段階の感情分析タスクにおいて,トランスフォーマーに基づくディープラーニングモデルに対して従来の機械学習アプローチをベンチマークする。 IndoBERTモデルをコンテキストシーケンス分類のために微調整した。 対話型Gradio Webアプリケーションとして最終的な感情分類モデルをデプロイすることで,パイプラインの実用性を示す。
  論文  参考訳（メタデータ） (2026-05-05T07:20:42Z)
• 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)
• Automated Analysis of Learning Outcomes and Exam Questions Based on Bloom's Taxonomy [0.0]
  本稿では,ブルームの分類に基づく試験質問と学習結果の自動分類について検討する。 6つの認知カテゴリをラベル付けした600文の小さなデータセットを、従来の機械学習(ML)モデルを用いて処理した。
  論文  参考訳（メタデータ） (2025-11-14T02:31:12Z)
• Forgetting: A New Mechanism Towards Better Large Language Model Fine-tuning [51.92313556418432]
  Supervised Fine-tuning (SFT) は、事前訓練された大規模言語モデル (LLM) において重要な役割を果たす。 各コーパス内のトークンを、モデルパフォーマンスを改善するのに有用かどうかに基づいて、正と負の2つの部分に分類することを提案する。 我々は、よく確立されたベンチマークで実験を行い、この忘れるメカニズムが全体のモデル性能を向上するだけでなく、より多様なモデル応答を促進することを発見した。
  論文  参考訳（メタデータ） (2025-08-06T11:22:23Z)
• Dissecting Long-Chain-of-Thought Reasoning Models: An Empirical Study [91.78803511141975]
  この研究は、強化学習のスケーリングにおける正と負のサンプルの役割に焦点を当てている。 グループ相対的政策最適化において、サンプルの半数以上がゼロの優位性を持つような実質的なデータ非効率性を同定する。 本研究では,様々な推論モデルとベンチマークの不安定な性能について検討し,不明瞭な結果を伴う不確実な問題に対する不安定性について考察した。
  論文  参考訳（メタデータ） (2025-06-05T11:47:10Z)
• Direct Judgement Preference Optimization [79.54459973726405]
  我々は、他のモデルのアウトプットを評価し、批判するために、生成的判断として大きな言語モデル(LLM)を訓練する。 我々は,異なるユースケースに対する選好ペアの収集に3つのアプローチを採用し,それぞれが異なる視点から生成判断を改善することを目的としている。 提案モデルは,位置や長さの偏りなどの固有バイアスに強く対応し,実践者が指定した評価プロトコルに柔軟に適用し,下流ジェネレータモデルを改善する上で有用な言語フィードバックを提供する。
  論文  参考訳（メタデータ） (2024-09-23T02:08:20Z)
• Self-Taught Evaluators [77.92610887220594]
  本稿では,人工的なトレーニングデータのみを用いて,人間のアノテーションを使わずに即興で証明することを目的としたアプローチを提案する。 我々の自己学習評価器は、RewardBench上で75.4から88.3までの強いLDMを改善することができる。
  論文  参考訳（メタデータ） (2024-08-05T17:57:02Z)
• Unpacking DPO and PPO: Disentangling Best Practices for Learning from Preference Feedback [110.16220825629749]
  嗜好フィードバックからの学習は、現代言語モデルの生成品質と性能を改善するための重要なステップとして現れてきた。 本研究では、嗜好データ、学習アルゴリズム、報酬モデル、政策訓練プロンプトという、嗜好に基づく学習の4つの側面を特定する。 以上の結果から,すべての側面がパフォーマンス上重要であることが示唆された。
  論文  参考訳（メタデータ） (2024-06-13T16:17:21Z)
• Performance evaluation of Reddit Comments using Machine Learning and Natural Language Processing methods in Sentiment Analysis [0.764671395172401]
  我々は、Reddit上で58,000のコメントを寄せ集め、感情分析手法を評価した。 我々の研究は、様々なモデルの配列を評価することによって、範囲を広げる。 以上の結果から,RoBERTaモデルはベースラインモデルよりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-27T03:59:28Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• How robust are pre-trained models to distribution shift? [82.08946007821184]
  自己教師付き学習(SSL)と自己エンコーダベースモデル(AE)の相互関係が相互関係に与える影響を示す。 本研究では, 線形ヘッドの潜在バイアスから事前学習したモデルの性能を分離するために, アウト・オブ・ディストリビューション(OOD)データに基づいて訓練された線形ヘッドを用いた新しい評価手法を開発した。
  論文  参考訳（メタデータ） (2022-06-17T16:18:28Z)

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。