PulseAugur
中
实时 09:30:10
English(EN) Enhancing Game Review Sentiment Classification on Steam Platform with Attention-Based BiLSTM

研究人员使用带注意力的BiLSTM改进游戏评论情感分析

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种基于注意力机制的双向长短期记忆（BiLSTM）模型，以改进Steam游戏评论的情感分类。这种在PyTorch中实现的深度学习方法，使用50,000条评论进行训练，达到了83%的准确率和85%的加权F1分数。该模型在识别负面情绪方面表现尤为有效，对此类评论的召回率为90%，并且通过注意力可视化突出关键情感词语提供了可解释性。 AI

影响 展示了在游戏平台理解用户反馈的情感分析能力的提升。

排序理由 这是一篇研究论文，详细介绍了深度学习模型在情感分析中的新应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究人员使用带注意力的BiLSTM改进游戏评论情感分析

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Abit Ahmad Oktarian, Fadhil Fitra Wijaya, Dhafin Razaqa Luthfi, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang ·

    利用基于注意力机制的双向LSTM提升Steam平台游戏评论情感分类

    arXiv:2605.01315v1 Announce Type: new Abstract: This paper investigates sentiment classification of Steam game reviews using an attention-based Bidirectional Long Short-Term Memory (BiLSTM) model. Using a dataset of 50,000 reviews sampled from a larger Steam review corpus, the au…

相关实体

相关话题