超越星级：通过 LLM 桥接评分与评论情感之间的差距
人工智能
2025-09-26 v1
摘要
我们提出了一种针对移动应用评论分析的高级方法，旨在解决传统星级评级系统固有的局限性。星级评级虽然直观且受用户欢迎，却往往无法捕捉细节评论文本中所蕴含的细腻反馈。传统 NLP 技术——如基于词典的方法和经典机器学习分类器——难以解释情境细节、领域特定术语以及诸如讽刺等细微语言特征。为克服这些限制，我们提出一种模块化框架，利用增强结构化提示技术的大语言模型（LLM）。该方法量化了数值评分与文本情感之间的差异，提取详细的特征层次见解，并通过检索增强式对话式问答（RAG-QA）支持对评论的交互式探索。针对三个多样化数据集（AWARE、Google Play 和 Spotify）进行的全面实验表明，我们的 LLM 驱动方法显著超越基线方法，提高了准确率、鲁棒性，并在具有挑战性和情境丰富的评论场景中提供可操作的见解。
引用
@article{arxiv.2509.20953,
title = {Beyond Stars: Bridging the Gap Between Ratings and Review Sentiment with LLM},
author = {Najla Zuhir and Amna Mohammad Salim and Parvathy Premkumar and Moshiur Farazi},
journal= {arXiv preprint arXiv:2509.20953},
year = {2025}
}
备注
Paper accepted for presentation at ACS/IEEE 22nd International Conference on Computer Systems and Applications (AICCSA 2025)