利用弱监督学习进行方面类别学习与情感分析
信息检索
2023-12-27 v1
摘要
电子商务评论的激增带来了手动标注大量评论以理解其潜在方面和情感的挑战。本研究专注于利用弱监督学习来解决方面类别学习和评论的情感分类问题。我们的方法涉及使用WSL的Snorkel框架生成方面和情感的标签，该框架将方面术语、评论情感分数和评论评分作为弱信号源。这一创新策略显著减少了处理如此大规模数据集所需的繁琐标注工作。在本研究中，我们部署了混合模型，即BiLSTM、CNN-BiLSTM和CNN-LSTM，这些模型利用多个输入，包括评论文本、方面术语和评分。我们提出的模型采用两种不同的损失函数：用于多标签分类的带Sigmoid激活的二元交叉熵，使我们能够学习方面标签（如质量、可用性、服务、尺寸和价格），以及用于多类分类的带Softmax激活的分类交叉熵。随后，我们仔细评估了这三个实现模型的性能指标，包括宏F1分数和宏精确率。CNN & Bi-LSTM模型在方面和情感识别上分别达到了0.78和0.79的F1分数。这项研究的结果有望为电子商务平台做出实质性贡献，提供一种高效自动化的方式来标注和分析大量用户评论。
引用
@article{arxiv.2312.15526,
title = {Aspect category learning and sentimental analysis using weakly supervised learning},
author = {Kalpa Subbaih and Bharath Kumar Bolla},
journal= {arXiv preprint arXiv:2312.15526},
year = {2023}
}