Resumen

El comercio electrónico se desarrolla rápidamente. Aprender y aprovechar bien las innumerables reseñas de los clientes online se ha convertido en algo crucial para el éxito en este juego, lo que exige cada vez más precisión en la clasificación de sentimientos de estas reseñas. Por lo tanto, se prefiere la predicción de la calificación de las reseñas con un grano más fino que la clasificación binaria aproximada de los sentimientos. Existen principalmente dos tipos de métodos en la predicción actual de la valoración de las reseñas. Uno de ellos incluye métodos basados en el contenido del texto de la reseña, que se centran casi exclusivamente en el contenido textual y rara vez se relacionan con los autores de la reseña y los elementos comentados en otras reseñas relevantes. El otro contiene métodos basados en el filtrado colaborativo que extraen información de los registros anteriores en la matriz de valoración del revisor-artículo, sin embargo, ignorando el contenido textual de la revisión. Aquí proponemos un marco para la predicción de la valoración de las reseñas que muestra la combinación efectiva de ambos. A continuación, proponemos tres métodos específicos dentro de este marco. Los experimentos con dos conjuntos de datos de reseñas de películas demuestran que nuestro marco de predicción de valoraciones de reseñas tiene un mejor rendimiento que los métodos anteriores.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:predicción de valoración de reseñas, contenido textual, contenido textual de reseñas, clasificación binaria de sentimientos, tipo de métodos, matriz de valoración de artículos, conjuntos de datos de reseñas de películas, mejor rendimiento, revisor, reseña
• Keywords:review rating prediction, textual content, review text content, binary sentiment classification, type of methods, items rating matrix, movies review datasets, better performance, reviewer, review