Predicción de Reseñas Útiles Utilizando Extracción de Emociones

Las reseñas siguen desempeñando un papel cada vez más importante en el proceso de decisión de compra de productos y reserva de hoteles. Sin embargo, la gran cantidad de información disponible puede resultar confusa para los usuarios. Una interfaz más sucinta, que reúna solo las reseñas más útiles, puede reducir el tiempo de procesamiento de información y ahorrar esfuerzo. Para crear tal interfaz en tiempo real, necesitamos algoritmos de predicción confiables para clasificar y predecir nuevas reseñas que no han sido votadas pero que son potencialmente útiles. Hasta ahora, tales algoritmos de predicción de utilidad se han beneficiado de aspectos estructurales, como la longitud y el puntaje de legibilidad. Dado que las palabras emocionales están en el corazón de nuestra comunicación escrita y son poderosas para captar la atención de los oyentes, creemos que las palabras emocionales pueden servir como parámetros importantes para predecir la utilidad del texto de la reseña. Usando GALC, un léxico general de palabras emocionales asociado a un modelo que representa 20 categorías diferentes, extrajimos la emocionalidad del texto de la reseña y aplicamos un método de clasificación supervisada para derivar la predicción de reseñas útiles basada en emociones. Como segunda contribución, proponemos un marco de evaluación que compara tres conjuntos de datos del mundo real extraídos de los sitios web de reseñas de productos más conocidos. Este marco muestra que los métodos basados en emociones superan al enfoque basado en la estructura, en hasta un 9%.