PulseAugur
中
实时 16:53:19
English(EN) Sentiment Analysis of Mobile Legends App Reviews Using Machine Learning and LSTM-Based Deep Learning Models

LSTM 深度学习模型在《Mobile Legends》应用评论情感分析方面优于机器学习

作者 PulseAugur 编辑部 · [1 个来源] ·

本文评估了机器学习和基于 LSTM 的深度学习模型在《Mobile Legends》应用评论情感分析中的应用。研究使用了包含 10,000 条已标记评论的数据集，发现 LSTM 模型达到了 92% 的准确率和 91% 的加权 F1 分数，优于传统的机器学习基线。研究表明，深度学习方法更擅长处理用户评论中非正式且依赖上下文的语言。 AI

影响 证明了深度学习在分析非正式用户生成文本方面的有效性，有望改进产品反馈分析。

排序理由 学术论文，详细介绍了机器学习模型在情感分析方面的比较研究。[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 →

LSTM 深度学习模型在《Mobile Legends》应用评论情感分析方面优于机器学习

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
学术论文，详细介绍了机器学习模型在情感分析方面的比较研究。[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]

  1. arXiv cs.CL TIER_1 English(EN) · Vira Putri Maharani, Kharisa Harvanny, Daris Samudra, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang ·

    使用机器学习和基于LSTM的深度学习模型对Mobile Legends应用评论进行情感分析

    arXiv:2605.01317v1 Announce Type: new Abstract: This paper compares Machine Learning and LSTM-based Deep Learning methods for sentiment analysis of Mobile Legends app reviews. Using a dataset of 10,000 reviews labeled as positive, negative, and neutral, the study evaluates tradit…

相关实体

相关话题