論文の概要: An Extensive Evaluation of Machine Learning and Deep Learning Approaches for Sentiment Analysis: Insights from Amazon Customer Reviews
- arxiv url: http://arxiv.org/abs/2611.16201v1
- Date: Thu, 12 Nov 2026 02:47:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.303568
- Title: An Extensive Evaluation of Machine Learning and Deep Learning Approaches for Sentiment Analysis: Insights from Amazon Customer Reviews
- Title(参考訳): 感性分析のための機械学習とディープラーニングアプローチの大規模評価:Amazon Customer Reviewsからの洞察
- Abstract要約: 本研究は,従来の5つの機械学習分類器と6つのディープラーニングアーキテクチャを比較した。
機械学習モデルでは、Bag-of-Words(BoW)とTF-IDF機能は5000語に制限された。
ディープラーニングモデルはクラス分布にまたがってより安定していたが、最も優れた古典モデルはバランスに頼っていた。
- 参考スコア(独自算出の注目度): 3.8083338863305882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of user-generated text on online platforms creates opportunities for understanding customer opinion and supporting data-driven decisions. This study compares five traditional machine learning classifiers (Random Forest, Logistic Regression, Bernoulli Naive Bayes, Linear Support Vector Classifier, and Multinomial Naive Bayes) and six deep learning architectures (LSTM, Bi-LSTM, GRU, RNN, Attention, and FastText) for three-class sentiment classification of 568,454 Amazon Fine Food Reviews. Machine learning models used Bag-of-Words (BoW) and TF-IDF features limited to 5,000 terms; deep learning models used learned embeddings over a 20,000-word vocabulary. Models were evaluated on the original imbalanced data and on a random-oversampled balanced set of 1,070,469 reviews, using accuracy, macro and per-class precision, recall, and F1-score, and training time. On the balanced set, Random Forest with BoW achieved 99\% accuracy and the Attention model achieved 98.7\%. Linear SVC reached 89\% accuracy in 1 min 15 s, and Logistic Regression reached 90\% in 3 min 37 s. On the imbalanced set, the Attention model achieved 97.8\% accuracy, and FastText achieved 95.3\% in 3 min 26 s, while the RNN reached 91.9\% with a neutral-class F1-score of 0.08. Deep learning models were more stable across class distributions, whereas the best classical model depended on balancing. We also report a user-facing application that applies the trained Random Forest and Attention models to new review text. Because the labels are derived from star ratings, the results measure agreement with rating-derived sentiment classes rather than annotated sentiment; the dataset is a single source, and the findings should be read with that limitation in mind.
- Abstract(参考訳): オンラインプラットフォームにおけるユーザ生成テキストの急速な成長は、顧客の意見を理解し、データ駆動型意思決定をサポートする機会を生み出します。
本研究は,Amazon Fine Food Reviewsの3クラス分類において,従来の5つの機械学習分類器(Random Forest, Logistic Regression, Bernoulli Naive Bayes, Linear Support Vector Classifier, Multinomial Naive Bayes)と6つのディープラーニングアーキテクチャ(LSTM, Bi-LSTM, GRU, RNN, Attention, FastText)を比較した。
機械学習モデルは、Bag-of-Words(BoW)とTF-IDFの機能を5000語に制限した。
モデルの精度,マクロおよびクラス毎の精度,リコール,F1スコア,トレーニング時間を用いて,元の不均衡データとランダムオーバーサンプル・バランスセット1,070,469のレビューに基づいてモデルを評価した。
バランスの取れたセットでは、BoWのランダムフォレストは99\%の精度を達成し、アテンションモデルは98.7%の精度を達成した。
線形SVCは1分15秒で89\%、ロジスティック回帰は3分37秒で90\%に達した。
不均衡なセットでは、注意モデルは97.8\%、FastTextは3分26秒で95.3\%、RNNは91.9\%、中等級F1スコアは0.08に達した。
ディープラーニングモデルはクラス分布にまたがってより安定していたが、最も優れた古典モデルはバランスに頼っていた。
また,学習したランダムフォレストとアテンションモデルを新たなレビューテキストに適用するユーザ向けアプリケーションについても報告する。
ラベルは星のレーティングに由来するため、アノテートされた感情ではなく、評価に基づく感情クラスとの合意を計測する。
関連論文リスト
- 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) - Beyond Correctness: Evaluating Subjective Writing Preferences Across Cultures [87.75098311090642]
現在の選好学習法は、標準ベンチマークで高い精度を達成するが、客観的な品質信号を取り除いた場合、顕著な性能劣化を示す。
我々は、8つのクリエイティブな著作ジャンルにまたがる1,800の人手による好みペア(1,200の英語、600の中国語)のデータセットであるWriteingPreferenceBenchを紹介した。
論文 参考訳(メタデータ) (2025-10-16T12:23:13Z) - Automated Alignment of Math Items to Content Standards in Large-Scale Assessments Using Language Models [17.18401180371013]
本研究では,4つのドメインと19のスキルラベルを連携させる3つの自動パラダイムを評価する。
8つのBERTモデルとその変種をドメインおよびスキルアライメントの両方に微調整した。
アンサンブルモデルは最高の性能を持つ言語モデルを超えなかった。
論文 参考訳(メタデータ) (2025-09-30T21:44:00Z) - HausaMovieReview: A Benchmark Dataset for Sentiment Analysis in Low-Resource African Language [1.3465808629549525]
本稿では,Hausaにおける5000のYouTubeコメントとコードスイッチによる英語を含む新しいベンチマークデータセットを提案する。
このデータセットを用いて、古典モデルと微調整変換器モデルの比較分析を行う。
精度が89.72%、F1スコアが89.60%のDecision Tree分類器は、ディープラーニングモデルよりも大幅に優れていた。
論文 参考訳(メタデータ) (2025-09-17T22:57:21Z) - Efficient, Uncertainty-based Moderation of Neural Networks Text
Classifiers [8.883733362171034]
本稿では,分類器の出力を効率よく操作できるフレームワークを提案する。
予測の不確実性を利用して、不確実で、おそらく不正確な分類を人間のモデレーターに渡す半自動化アプローチを提案する。
一連のベンチマーク実験により、我々のフレームワークは分類F1スコアを5.1から11.2%改善できることが示された。
論文 参考訳(メタデータ) (2022-04-04T09:07:54Z) - DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with
Gradient-Disentangled Embedding Sharing [117.41016786835452]
本稿では,DeBERTaモデルの改良を目的とした,事前学習型言語モデルDeBERTaV3を提案する。
ELECTRAでのバニラ埋め込み共有は、トレーニング効率とモデルパフォーマンスを損なう。
そこで本研究では、タグ・オブ・ウォーのダイナミクスを回避するために、新しい勾配距離の埋め込み方式を提案する。
論文 参考訳(メタデータ) (2021-11-18T06:48:00Z) - Uncertainty-aware Self-training for Text Classification with Few Labels [54.13279574908808]
本研究は,アノテーションのボトルネックを軽減するための半教師あり学習手法の1つとして,自己学習について研究する。
本稿では,基礎となるニューラルネットワークの不確実性推定を取り入れて,自己学習を改善する手法を提案する。
本手法では,クラス毎に20~30個のラベル付きサンプルをトレーニングに利用し,完全教師付き事前学習言語モデルの3%以内で検証を行う。
論文 参考訳(メタデータ) (2020-06-27T08:13:58Z) - DeBERTa: Decoding-enhanced BERT with Disentangled Attention [119.77305080520718]
2つの新しい手法を用いてBERTモデルとRoBERTaモデルを改善する新しいモデルアーキテクチャDeBERTaを提案する。
これらの手法により,モデル事前学習の効率化と,自然言語理解(NLU)と自然言語生成(NLG)の両方の性能向上が期待できる。
論文 参考訳(メタデータ) (2020-06-05T19:54:34Z)
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。