Clasificación de Múltiples Etiquetas de Reseñas de Clientes de Comercio Electrónico a Través del Aprendizaje Automático

La tarea de clasificación de reseñas de clientes de múltiples etiquetas tiene como objetivo identificar los diferentes pensamientos de los clientes sobre el producto que están comprando. Debido al impacto de la pandemia de COVID-19, los clientes se han vuelto más propensos a comprar en línea. Como consecuencia, la cantidad de datos textuales en el comercio electrónico está aumentando continuamente, lo que permite llevar a cabo nuevos estudios y obtener hallazgos importantes con un análisis más detallado. Hoy en día, las reseñas de clientes de comercio electrónico son analizadas tanto por investigadores como por expertos del sector, y están sujetas a numerosos estudios de análisis de sentimiento. En este trabajo, se lleva a cabo un análisis de las reseñas de clientes con el fin de obtener pensamientos más profundos sobre el producto, en lugar de participar en análisis basados en emociones. Inicialmente, formamos un nuevo conjunto de datos de reseñas de clientes compuesto por reseñas de consumidores turcos para llevar a cabo el análisis propuesto. El conjunto de datos creado contiene más de 50,000 reseñas en tres categorías diferentes, y cada reseña tiene múltiples etiquetas según los comentarios realizados por los clientes. Más tarde, aplicamos métodos de aprendizaje automático empleados para la clasificación de múltiples etiquetas al conjunto de datos. Finalmente, comparamos y analizamos los resultados que obtuvimos utilizando un conjunto diverso de métricas estadísticas. Como resultado de nuestros estudios experimentales, encontramos que la Precisión Micro 0.9157, la Recuperación Micro 0.8837, la Puntuación F1 Micro 0.8925, y la Pérdida de Hamming 0.0278 son los enfoques más exitosos.