アスペクトベースの感情分類（ABSC）は、eコマースウェブサイトの中核技術であり、オンラインレビューの感情抽出を通じてビジネスエンティティに深い顧客の嗜好情報を提供します。本論文では、感情分類の精度を向上させるために、弱い監視と深層学習モデルを統合するハイブリッドBi-LSTMフレームワークを提案します。このアプローチは、アスペクト用語抽出、Snorkelベースの方法による弱いラベリング、HABSC（ハイブリッドアスペクトベース感情分類）として知られるマルチモデル感情分析方法に基づいています。価格、品質、使いやすさ、サイズ、サービスの5つの重要な側面における感情分類において、ハイブリッドBi-LSTMモデル、HABSCアルゴリズム、およびABSC DeBERTモデルの性能の違いを評価するために、Amazon製品レビューのデータセットを使用します。実験結果は、ハイブリッドBi-LSTMがABSC DeBERTよりも優れた性能を示し、93.4%の精度、低いハミング損失、改善された適合率、再現率、およびF1スコアを達成することを示しています。比較分析は、VADER、SentiWordNet、およびBERTスコアリングを使用したアンサンブルベースの感情分析アプローチの性能も反映しています。本記事は、自動化されたアスペクトベースの感情分析の強化に貢献し、推奨システム、ビジネスインテリジェンス、eコマースウェブサイトに対する効率的かつスケーラブルなソリューションを提示します。
Manimalarら（Mon、）はこの問題を研究しました。