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] · 2026-05-05 04:00

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 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 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]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 156 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [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 · 2026-05-05 04:00

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…

本文如何被排名

报道来源 [1]

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

相关实体

相关话题