Optimisation of Sentiment Analysis for E-Commerce
Notice bibliographique
Résumé
Sentiment analysis is widely used today to make data-driven decisions in different industries, starting from marketing and including brand management, reputation monitoring, and customer satisfaction analysis. Its growing importance is closely linked with so-called ‘word-of-mouth’ communication, from reading online reviews to writing comments on social networks. Effective separation of sentiments ensures that companies' responses are timely and critical patterns are seen in big data sets. Statistical measures, information gain, correlation-based approaches, etc, have been employed for the feature selection. Still, the problem associated with text data mining is that they don’t convey the text's relative difficulty and additional features. To fill this gap, our research proposes a new feature selection technique through Ant Colony Optimization (ACO) and K Nearest Neighbour (KNN) performed on 28,000 customer reviews in different product categories. The results, therefore, showed an overall accuracy of 80.1%, with the Support Vector Machine (SVM) set at 80.5% on each selected feature, which was slightly higher than the Convolutional Neural Network (CNN), which scored a 78.41% accuracy. SVM remains on the mark of 83%, and for CNN, the rate achieved on the same was 80.8% when both were applied to the entire dataset. These facts rejected the infallibility of the simple and complex algorithms used singly in the sentiment classification, indicating that more sophisticated algorithms like ACO and KNN can provide business solutions to improve their service delivery based on customers’ feedback.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».