基于深度学习情感分析的航空公司评论智能推荐模型(文本评分融合与长短期记忆网络)

《International Journal of Engineering Business Management》:A smart recommendation model for airline reviews via deep learning sentiment analysis (text ratings fusion with LSTM)

【字体: 大 中 小 】 时间:2026年08月28日 来源:International Journal of Engineering Business Management 5.1

编辑推荐:

  本研究开发了一种基于深度学习(DL)的智能推荐模型,用于航空公司客户反馈的情感分析(SA)。该模型利用文本内容与显式评分提供个性化推荐。研究人员评估了四种深度学习模型——循环神经网络(RNN)、长短期记忆网络(LSTM)、门控循环单元(GRU)和一维卷积神经网

  
本研究开发了一种基于深度学习(DL)的智能推荐模型,用于航空公司客户反馈的情感分析(SA)。该模型利用文本内容与显式评分提供个性化推荐。研究人员评估了四种深度学习模型——循环神经网络(RNN)、长短期记忆网络(LSTM)、门控循环单元(GRU)和一维卷积神经网络(Conv1D)——在航空公司客户反馈情感分析上的表现。LSTM模型取得了最高准确率91%和曲线下面积(AUC)90%,优于其他模型。结果表明,所有模型在准确率、精确率、召回率和F1分数上较基线方法均有显著提升。通过分析用户评论中的情感极性,模型推断用户偏好及情感与评分间的关系。总体而言,其捕捉文本上下文的能力实现了更精准的基于情感的预测,并提升了推荐质量。
研究背景方面,随着信息与通信技术演进,消费者通过社交媒体与在线评论表达观点,电子口碑(E-WOM)成为新消费者决策的重要依据。传统数据挖掘方法在提取非结构化航空公司评论中的复杂上下文情感时存在局限,而深度学习(DL)能捕捉长程依赖与细粒度语义,适用于大规模噪声文本。既有文献多采用小规模数据、单一文本特征或传统机器学习,面临泛化差、特征表示窄、缺乏文本与评分融合等问题。因此,研究人员开展此项研究,旨在构建融合文本内容与显式评分的深度学习智能推荐框架,提升航空公司情感分类精度与个性化推荐能力,论文发表于《International Journal of Engineering Business Management》。
关键技术方法上,研究人员使用Kaggle获取的Skytrax航空公司客户反馈(SACF)数据集,含65,947条评论,标签为推荐值0/1(负向33,894条,正向30,546条)。预处理含去停用词、小写化、分词、 lemmatization及领域自适应(扩展IFE等缩写、归一化俚语、保留“lost luggage”等情感短语);文本经GloVe(6B,100维)嵌入,序列截断/填充至200词;对比RNN、LSTM(128单元,dropout 0.5,recurrent dropout 0.2)、GRU、Conv1D四类架构,Adam优化器(lr=0.001),80%/20%划分,三次随机运行取均,早停防过拟合。
研究结果如下。摘要与引言指出LSTM以91%准确率、90% AUC领先,证实文本-评分融合提升推荐质量。第2节背景界定智能推荐(SR)系统、情感分析(SA)与深度学习(DL)概念。第3节文献综述通过表1至表4归纳既往研究缺口:小数据、无特征融合、缺序列建模;本研究以大数据+GloVe+LSTM+评分融合填补。第4节方法论详述预处理、GloVe嵌入、四模型共享架构(嵌入层→序列层→Dropout→Softmax二分类)。第4.3节数据描述显示经济舱样本主导;第5.5节模型结果显示LSTM准确率91%、精确率91%、召回率90%、F1 91%、AUC 90%,RNN 86%/0.82,GRU 90%/0.89,Conv1D 87%/0.84;特征重要性中Sentiment_Score(879)、Overall Rating(523)、Seat Type Economy Class(5443)居前。第5.6节错误分析指出LSTM擅捕多子句转折与否定语义,Conv1D易漏间接表达。第6节结论翻译:研究人员提出基于LSTM的框架在SACF上以91%准确率与90% AUC超越BiLSTM(约85%)、BERT(83%)、Logistic Regression(79.1%)等基线;GloVe嵌入与序列建模增强上下文捕捉,Sentiment_Score、Economy Class与Overall Rating为核心预测特征;模型局限在于单域(航空公司)、未评跨域泛化、未用Transformer类上下文嵌入;未来可引入BERT、层次注意力网络(HAN)、方面级情感分析(ABSA)、ULMFiT与LIME以提升细粒度与可解释性。该研究将深度学习序列建模与显式评分融合应用于航空公司口碑推荐,为服务质量管理与个性化推荐系统提供可复现基准。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号