In parallel with our work, research

In parallel with our work, researchers in the natural language processing field have examined the task of predicting
review helpfulness [23], [24], [25], [26], [27], using reviews
from Amazon.com or movie reviews as training and test data.
Our work uses a superset of the features used in the past for
helpfulness prediction (e.g., reviewer history and disclosure,
deviation of subjectivity in the review, and so on). Also, none
of these studies attempts to predict the influence of reviews
on product sales. A differentiating factor of our approach is
the two-pronged approach building on methodologies from
economics and from data mining, building both explanatory and
predictive models to understand better the impact of different
factors. Interestingly, all prior research use support vector
machines (in a binary classification and in regression mode),
which we observed to perform worse than Random Forests
(as we discuss in Section 5). Predicting the helpfulness of a
review is also related to the task of evaluating the quality of
web posts or the quality of answers to posted questions [28],
[29], [30], [31], although there are more cues (e.g., clickstream
data) that can be used to estimate the perceived quality of a
posting. Recently, Hao et al. [32] also presented techniques for
predicting whether a review will receive any votes about its helpfulness or whether it will stay unrated. Tsur and
Rappoport [33] presented an unsupervised algorithm for
estimating ranking the reviews according to their expected
helpfulness.

ผลลัพธ์ (ไทย) 1:

ควบคู่ไปกับงานของเรา นักวิจัยในการประมวลผลภาษาธรรมชาติมีการตรวจสอบงานของการทำนายรีวิวงาม [23], [24], [25], [26], [27], ใช้ความคิดเห็นจาก Amazon.com หรือภาพยนตร์รีวิวเป็นข้อมูลการฝึกอบรมและทดสอบงานของเราใช้ชุดของคุณสมบัติที่ใช้งานในอดีตสำหรับทำนายงาม (เช่น ประวัติผู้ตรวจทานและการเปิดเผยเบี่ยงเบนของ subjectivity ในการรีวิว และอื่น ๆ) นอกจากนี้ ไม่มีความพยายามเหล่านี้ศึกษาทำนายอิทธิพลของความคิดเห็นจากการขายสินค้า เป็นปัจจัยแตกต่างอย่างของเราวิธีสองง่ามบนวิธีการจากเศรษฐศาสตร์และ จากการทำ เหมืองข้อมูล การสร้างคำอธิบายทั้งสอง และการณ์เพื่อเข้าใจผลกระทบของความแตกต่างได้ดีปัจจัย เรื่องน่าสนใจ ทุกวิจัยก่อนใช้สนับสนุนเวกเตอร์เครื่อง (ในการจัดประเภทแบบไบนารี และถดถอยโหมด),ซึ่งเราสังเกตเห็นการแย่กว่าป่าสุ่ม(ตามที่เรากล่าวถึงในส่วนที่ 5) ทำนายงามของการรีวิวยังเกี่ยวข้องกับงานในการประเมินคุณภาพของเว็บโพสต์หรือคุณภาพของคำตอบคำถามลง [28],[29], [30], [31], แม้ว่าจะมีสัญลักษณ์เพิ่มเติม (เช่น พฤติกรรมการใช้ข้อมูล) ที่ใช้ในการประเมินคุณภาพของการรับรู้การลงรายการบัญชี เมื่อเร็ว ๆ นี้ Hao et al. [32] นอกจากนี้ยังนำเสนอเทคนิคทำนายว่า รีวิวจะได้รับการโหวตเกี่ยวกับความงามหรือว่ามันจะอยู่อันดับ Tsur และอัลกอริทึม unsupervised สำหรับแสดง Rappoport [33]ประเมินจัดอันดับความคิดเห็นตามที่คาดไว้งาม

ผลลัพธ์ (ไทย) 2:

ควบคู่ไปกับการทำงานของเรานักวิจัยในด้านการประมวลผลภาษาธรรมชาติมีการตรวจสอบงานของการทำนาย
ทบทวนสาระประโยชน์ [23] [24], [25], [26], [27] โดยใช้ความคิดเห็น
จาก Amazon.com หรือบทวิจารณ์ภาพยนตร์ การฝึกอบรมและการทดสอบข้อมูล.
การทำงานของเราใช้เซ็ตของคุณสมบัติที่ใช้ในอดีตที่ผ่านมาสำหรับ
ความเอื้ออาทรทำนาย (เช่นประวัติวิจารณ์และการเปิดเผยข้อมูล
ส่วนเบี่ยงเบนของการกระทำในการตรวจสอบและอื่น ๆ ) นอกจากนี้ยังไม่มี
การศึกษาเหล่านี้พยายามที่จะทำนายอิทธิพลของความคิดเห็น
เกี่ยวกับการขายสินค้า ปัจจัยที่แตกต่างของวิธีการของเราคือ
อาคารวิธีการสองง่ามในวิธีการจาก
เศรษฐกิจและจากการทำเหมืองข้อมูลอาคารทั้งอธิบายและ
รูปแบบการพยากรณ์ที่ดีกว่าที่จะเข้าใจผลกระทบของการที่แตกต่างกัน
ปัจจัย ที่น่าสนใจทั้งหมดวิจัยก่อนใช้เวกเตอร์สนับสนุน
เครื่อง (ในการจัดหมวดหมู่ไบนารีและในโหมดถดถอย)
ซึ่งเราตั้งข้อสังเกตในการดำเนินการเลวร้ายยิ่งกว่าสุ่มป่า
(เท่าที่เราจะหารือในมาตรา 5) ทำนายความเอื้ออาทรของการ
ตรวจสอบยังเกี่ยวข้องกับงานของการประเมินคุณภาพของ
การโพสต์เว็บหรือคุณภาพของคำตอบโพสต์คำถาม [28],
[29] [30], [31] แม้ว่าจะมีตัวชี้นำมากขึ้น (เช่น , เส้นทาง
ข้อมูล) ที่สามารถนำมาใช้ในการประเมินคุณภาพการรับรู้ของ
การโพสต์ เมื่อเร็ว ๆ นี้ Hao et al, [32] นอกจากนี้ยังนำเสนอเทคนิคในการ
คาดการณ์ว่าการตรวจสอบจะได้รับคะแนนโหวตใด ๆ เกี่ยวกับประโยชน์ของตนหรือไม่ว่ามันจะอยู่ไม่มีการจัดอันดับ Tsur และ
Rappoport [33] นำเสนอขั้นตอนวิธีการใกล้ชิดสำหรับ
การประเมินการจัดอันดับความคิดเห็นเป็นไปตามที่คาดหวังของพวกเขา
เอื้ออาทร

ผลลัพธ์ (ไทย) 3:

ในแบบคู่ขนานกับการทำงานของเรา นักวิจัยในภาษาธรรมชาติการประมวลผลข้อมูลมีการตรวจสอบงานพยากรณ์ทบทวนความเอื้ออาทร [ 23 ] , [ 24 ] , [ 25 ] [ 26 ] [ 27 ] , การวิจารณ์บทวิจารณ์ภาพยนตร์จาก Amazon.com หรือการฝึกอบรมและข้อมูลการทดสอบงานของเราใช้ขึ้นในคุณสมบัติที่ใช้ในอดีตสำหรับความเอื้ออาทรพยากรณ์ ( เช่น ประวัติศาสตร์และตรวจทานการเปิดเผยการเบี่ยงเบนของอัตวิสัยในการตรวจสอบและอื่น ๆ ) ยัง ไม่มีการศึกษานี้พยายามที่จะทำนายอิทธิพลของความคิดเห็นในการขายสินค้า มีทั้งปัจจัยของวิธีการคือสองง่ามวิธีการสร้างวิธีการจากเศรษฐศาสตร์และจากการทำเหมืองข้อมูล การอธิบายและสร้างทั้งตัวแบบทำนายที่จะเข้าใจผลกระทบที่แตกต่างกันปัจจัย น่าสนใจ ทั้งหมดก่อนที่งานวิจัยใช้สนับสนุนเวกเตอร์เครื่องจักร ( ในการจำแนกและการถดถอยแบบไบนารีในโหมด )ซึ่งเราสังเกตแสดงแย่กว่าป่าแบบสุ่ม( ในขณะที่เราหารือในส่วนที่ 5 ) ใช้ประโยชน์ของรีวิวยังเกี่ยวข้องกับงานของการประเมินคุณภาพโพสต์เว็บ หรือคุณภาพของคำตอบที่จะโพสต์คำถาม [ 28 ][ 29 ] [ 30 ] [ 31 ] แม้จะมีสัญญาณเพิ่มเติม ( เช่น clickstreamข้อมูลที่สามารถใช้เพื่อประเมินการรับรู้คุณภาพของโพสต์ เมื่อเร็ว ๆนี้ , Hao et al . [ 32 ] ยังได้เสนอเทคนิคทำนายว่า จะได้รับการโหวตความคิดเห็นเกี่ยวกับของความเอื้ออาทร หรือไม่ ก็จะอยู่ที่ 7.0 . tsur และrappoport [ 33 ] นำเสนอขั้นตอนวิธี unsupervised สำหรับการจัดอันดับวิจารณ์ตามคาดความเอื้ออาทร .