Sentiment analysis

Insight Cepat

Penelitian ini mengeksplorasi deteksi ulasan palsu secara online menggunakan berbagai representasi data dan model deep learning, dengan menemukan bahwa kombinasi representasi data melalui teknik fusi data secara signifikan meningkatkan akurasi prediksi.

Temuan Kunci

• 1Kombinasi berbagai representasi data (emosi, document embedding, n-grams, dan noun phrases) secara signifikan mengungguli representasi data tunggal dalam mendeteksi ulasan palsu.
• 2Teknik fusi data awal (early fusion) dan akhir (late fusion) terbukti efektif dalam meningkatkan performa klasifikasi ulasan palsu.
• 3Model deep learning seperti BiLSTM, LSTM, GRU, CNN, dan MLP dievaluasi dan dibandingkan kinerjanya pada empat dataset berbeda (Hotel, Restaurant, Amazon, dan Yelp).
• 4Representasi berbasis emosi dan noun phrases dalam format embedding memberikan kontribusi tambahan yang berarti dalam sistem deteksi ulasan palsu.

Metodologi

Penelitian menggunakan pendekatan eksperimental dengan mengevaluasi berbagai representasi data (emosi, document embedding, n-grams, noun phrases) pada model deep learning (BiLSTM, LSTM, GRU, CNN, MLP) menggunakan empat dataset publik. Selanjutnya, teknik fusi data awal dan akhir diterapkan untuk menggabungkan representasi dan model terbaik guna meningkatkan performa prediksi secara keseluruhan.

Kontribusi Utama

• •Eksplorasi komprehensif berbagai representasi data untuk tugas deteksi ulasan palsu menggunakan model deep learning mutakhir.
• •Penerapan teknik fusi data (early dan late fusion) untuk mengintegrasikan berbagai representasi data dan model klasifikasi dalam deteksi ulasan palsu.
• •Evaluasi sistematis pada empat dataset lintas domain (Hotel, Restaurant, Amazon, Yelp) yang memperkuat generalisasi temuan penelitian.