A Suitable Technique for Enhancing Arabic-Language Consumer Sentiment Analysis Using Natural Language Processing and Stacking Machine Learning Model
Notice bibliographique
Résumé
When deciding on a product, sentiments expressed on social media or online reviews are important information sources.Positive and negative feedback from customers posted on social media platforms could substantially impact a business's bottom line.As a result, the development of effective and efficient approaches for classifying emotion has emerged as one of the most pressing concerns for businesses.Applying machine learning is widely regarded as one of the most effective and beneficial ways.This work will investigate how well Machine Learning (ML) techniques can comprehend Arabic sentiments.The Term Frequency-Inverse Document Frequency algorithm (TF-IDF) was used to extract the dataset's characteristics.As a consequence of this, the algorithms known as Random Forest (RF), Decision Tree (DT), Linear Discriminant Analysis (LDA), K-Nearest Neighbors (KNN), support vector machine (SVM), Quadratic Discriminant Analysis (QDA), logistic regression (LR), Gradient Boosting Regression Trees (GBRT), and Stochastic Gradient Descent (SGD) Classifier are used in the process of sentiment analysis (SA).To sum everything up, a stacked machine-learning model was developed.Compared to existing machine learning simple classifiers, our stacked model with 10-fold cross-validation shows a higher accuracy, precision, Cohen's Kappa, recall, and F1-score in the three different Arabic datasets used, which are the Hotel Arabic-Reviews Dataset (A), the Books Reviews in Arabic Dataset (B), and the Arabic Reviews dataset (C).
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».