基于注意力机制的双向长短期记忆网络提高 Steam 平台游戏评论情感分类
计算与语言
2026-05-05 v1
摘要
本文探讨了使用注意力机制的双向长短期记忆网络 (BiLSTM) 对 Steam 游戏评论进行情感分类。作者使用来自更大 Steam 评论语料库中抽样的 50,000 条评论的数据集，将传统基于 TF-IDF 和 PyCaret AutoML 的机器学习基线方法与在 PyTorch 中实现的深度学习方法进行比较。所提出的 BiLSTM+注意力模型采用加权交叉熵损失以解决类别不平衡问题，在测试集上实现了 83% 的准确率和 85% 的加权 F1 分数，其中负面评论的召回率达到 90%。本文还呈现了注意力可视化，以显示可解释性，突出显示情感关键词。研究得出结论，BiLSTM+注意力模型对分析 Steam 评论中的用户情感有效，对帮助开发人员理解玩家反馈具有实用价值。
引用
@article{arxiv.2605.01315,
title = {Enhancing Game Review Sentiment Classification on Steam Platform with Attention-Based BiLSTM},
author = {Abit Ahmad Oktarian and Fadhil Fitra Wijaya and Dhafin Razaqa Luthfi and Luluk Muthoharoh and Ardika Satria and Martin Clinton Tosima Manullang},
journal= {arXiv preprint arXiv:2605.01315},
year = {2026}
}
备注
7 pages, 4 figures, and 2 tables. The paper is a research manuscript on sentiment analysis of Steam game reviews, comparing TF-IDF-based machine learning methods with a BiLSTM+Attention deep learning model