预测在线评论的有用性
计算与语言
2020-08-25 v1
摘要
电子商务在世界经济中占据很大比重,许多网站专用于在线销售商品。绝大多数电子商务网站为其客户提供表达对所购产品/服务意见的能力。这些以评论形式出现的反馈代表了关于用户经验与满意程度的丰富信息源,对生产者和消费者均大有裨益。然而,并非所有评论都有帮助/有用。确定评论有用性的传统方式是通过人类用户的反馈。但该方法未必覆盖所有评论,且存在偏差、成本高等诸多问题。因此,有必要使该过程自动化。本文提出一组机器学习(ML)模型以预测在线评论的有用性。主要使用三种方法:监督学习方法(使用 ML 及深度学习(DL)模型)、半监督方法(将 DL 模型与词嵌入结合)、以及使用迁移学习(TL)的预训练词嵌入模型。后两种方法属本文独特之处,因其遵循利用无标签文本的近期趋势。结果表明,所提 DL 方法优于传统已有方法。此外,半监督方法相较其他方法具有显著性能。
引用
@article{arxiv.2008.10129,
title = {Predicting Helpfulness of Online Reviews},
author = {Abdalraheem Alsmadi and Shadi AlZu'bi and Mahmoud Al-Ayyoub and Yaser Jararweh},
journal= {arXiv preprint arXiv:2008.10129},
year = {2020}
}