不平衡数据集上在线评论有用性识别研究

[目的/意义]先前研究在识别有用性在线评论时假设数据集类是平衡的,但真实数据往往不符合这一假定。为克服这一局限,文章从真实情景出发提出了在不平衡数据集上识别在线评论的有用性,以提升在线评论的效用。[方法/过程]提出不平衡数据集上在线评论有用性识别模型,该模型包括在线评论有用性特征集构建、融合SMOTE和Boosting的有用性识别算法以及识别效果评价等模块,并从真实数据集出发验证了模型的识别效果。[结果/结论]模型在解决类不平衡后准确识别在线评论有用性的综合性能超过89%,优于未解决类不平衡的分类识别算法,为在线评论有用性识别提供了有效的方法和工具。

基于多维度图卷积网络的旅游评论有用性识别

【目的】利用深度学习模型识别旅游评论的有用性,给予消费者和酒店管理者商业决策参考。【方法】提出多维度图卷积网络和多模态融合的有用性识别模型,使用BERT和MAE模型分别对文本和图片进行预训练,利用多维度图卷积网络对多模态特征进行建模,再通过注意力机制捕捉多模态间的交互信息,最后融入文本特征进行评论有用性识别。【结果】在Yelp数据集上进行对比实验,结果表明所提模型识别准确率为73.21%,相较于传统单模态和现有多模态模型平均提升了10%。【局限】仅在Yelp数据集上尝试文本和图片两种模态,其他数据融合以及更多模态有待研究。【结论】所提模型将多维度的图卷积网络和多模态特征融入评论有用性识别中,可以有效提升识别的效果。