An NLP-Deep Learning Approach for Product Rating Prediction Based on Online Reviews and Product Features
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study focuses on predicting the popularity of a product based on its overall rating score. Unlike previous studies that focus on predicting the review rating based on sentiment analysis and the polarity of the reviews, in this research, the effect of product features in determining its popularity is directly measured and analyzed. To this end, a methodology consisting of three phases is considered. Phase 1 predicts the overall rating by feeding the general product features, extracted from the online product information available on Amazon webpages to three different deep learning (DL) models: deep feedforward neural network (DFFNN), probabilistic neural network (PNN), and radial basis function neural network (RBFNN). Phase 2 identifies other features that customers care about the most by applying the named entity recognition (NER) algorithm to the customer online reviews. Finally, Phase 3 feeds the combination of the general and custom features to the same DL models to predict the overall rating score of the product. The experimental results on a dataset of laptop products indicate an impressive performance of the proposed approach, which is mainly attributed to including custom product features in the inputs of the DL algorithm. More precisely, the proposed model could achieve the highest accuracy score of 84.01%, 84.68% for recall, 87.63% for precision, and 84.06% for F1 score. Applying this procedure could help businesses identify the specific areas of strengths and weaknesses of their products or services from the perspective of their customers, allowing them to thrive in today’s competitive markets.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 découle