Fine-Grained Opinion Mining Using Conditional Random Fields
Notice bibliographique
Résumé
User generated data and specially product reviews are major sources of information for costumers to make informed purchase decisions and for producers to keep track of consumers opinions. As e-commerce is becoming more and more popular, the number of customer reviews that each product receives grows rapidly. As a result, the problem of automatically mining reviews to extract useful information has recently attracted many researchers. In the last decade, several works have been presented for identifying product aspects from reviews. Product aspects are components or attributes of the product that have been commented on in the review, e.g. 'zoom' and 'battery life' for a digital camera. In this paper, we propose a novel method for mining user opinions, which aims at extracting not only the opinions of users on product aspects, but also a finer level of information indicating the usage type of the aspect. In other words, we try to find out how the reviewer used the aspect. In this work, we focus on the task of identifying product aspects, corresponding opinions, and related usages as a sequence tagging problem. We employ Conditional Random Fields (CRF) to solve the stated problem and propose techniques for defining and filtering features to enhance the accuracy. The accuracy of the proposed method is evaluated using a real life data set from Epinions.com. Experimental evaluation confirms the improved accuracy of our method in identifying aspects, aspect usages, and related opinions. We also evaluate the effectiveness of the optimization techniques through multiple experiments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».