대량의 이중 언어 소비자 불만 데이터의 수동 처리는 상당한 운영상의 도전을 초래하며, 이로 인해 해결 시간이 지연되고 자원 활용이 비효율적이게 됩니다. 본 연구에서는 이중 언어 재무 고객 불만을 분류하기 위한 지능형 자동화 시스템의 개발 및 평가를 제시합니다. 소비자 금융 보호국 데이터베이스에서 파생된 25,000개의 기록으로 구성된 균형 잡힌 합성 이중 언어 데이터셋을 사용하여 비교 분석을 진행했습니다. 로지스틱 회귀 및 LightGBM과 같은 전통적인 기계 학습 접근법은 TF-IDF 특성 표현을 사용하여 구현되었습니다. 또한, 분류 작업을 위해 사전 훈련된 다국어 변환기 모델인 XLM-RoBERTa를 세밀하게 조정했습니다. 실험 결과는 세밀하게 조정된 XLM-RoBERTa 모델이 기존 모델보다 우수한 성능을 보이며, 전체 정확도가 88.38%에 달함을 보여줍니다. 이러한 발견은 이중 언어 자연어 처리 작업, 특히 재무 불만 분류 분야에서 맥락화된 다국어 변환기 모델의 효과성을 강조합니다.
Jain et al. (Mon,)이 이 질문을 연구했습니다.