通过时序情感聚合检测异常用户反馈模式
计算与语言
2026-04-02 v1
摘要
在许多实际应用中，如客户反馈监控、品牌声誉管理和产品健康监测，理解用户情感的时间动态对于早期检测异常事件（如恶意评论活动或用户满意度 sudden 下降）至关重要。传统情感分析方法侧重于单个文本分类，对捕捉因短用户评论中固有的噪声和类别不平衡而难以捕捉集体行为变化。本文提出一种时序情感聚合框架，利用预训练的基于Transformer的语言模型提取每个评论的情感信号，并将其聚合为时间窗口级别的评分。这些聚合评分的显著下降被解释为用户反馈模式的潜在异常。我们采用RoBERTa作为核心语义特征提取器，并通过在真实社交媒体数据上的实证评估表明，聚合后的情感评分揭示了有意义的趋势，支持有效的异常检测。实验在真实世界的社交媒体数据上表明，我们的方法成功识别出对应连贯抱怨模式的统计显著情感下降，为反馈异常监测提供了有效且可解释的解决方案。
关键词
引用
@article{arxiv.2604.00020,
title = {Detecting Abnormal User Feedback Patterns through Temporal Sentiment Aggregation},
author = {Yalun Qi and Sichen Zhao and Zhiming Xue and Xianling Zeng and Zihan Yu},
journal= {arXiv preprint arXiv:2604.00020},
year = {2026}
}