每天在世界各地的在线和当地零售店成功提供数百万套餐。需要适当的套餐，以确保高客户满意度和重复购买。尽管商店的最佳努力，这些交付仍然存在各种问题。这些问题不仅由于对低周转时间的大量和高需求而导致而且由于机械运营和自然因素也是如此。这些问题范围从包装中收到错误的物品，以延迟运输到运输过程中的误操作。在提高整个过程的效率方面发挥着至关重要的作用，寻找解决方案。本文显示了如何使用来自文本评论和上传的图像使用客户反馈来查找这些问题。我们使用转移学习文本和图像模型，以最大限度地减少数千个标记示例的需求。结果表明，该模型可以找到不同的问题。此外，它还可以用于瓶颈识别，过程改进，自动退款等任务。与现有过程相比，本文提出的文本和图像模型的集合确保了几种类型的递送问题，即更适合在零售业务中提供物品的现实生活场景。此方法可以为在类似行业中提供包装的问题检测的新思路。

随着电子商务领域的巨大增长，产品建议已成为电子商务公司越来越多的兴趣领域。产品建议中最困难的任务之一是尺寸和合适的预测。电子时尚域中有很多相关的回报和退款，这给客户带来了不便，并给公司带来了损失。因此，拥有良好的尺寸和合适的推荐系统，可以预测客户的正确尺寸，不仅可以减少相关的回报和退款，还可以改善客户体验。该领域的早期作品使用传统的机器学习方法来估计购买历史记录的客户和产品尺寸。由于客户产品数据中的巨大稀疏，这些方法遭受了冷启动问题。最近，人们使用深度学习来通过嵌入客户和产品功能来解决此问题。但是，它们都没有包含在产品页面上存在的有价值的客户反馈以及客户和产品功能。我们提出了一种新颖的方法，该方法可以使用客户评论中的信息以及客户和产品功能来实现尺寸和合适的预测。与在4个数据集上使用产品和客户功能相比，我们证明了方法的有效性。我们的方法显示，在4个不同数据集的基线上，F1（宏）得分的提高了1.37％-4.31％。

关于哪些类型的故障机器人在家庭环境中以及这些失败如何影响客户体验时，存在知识差距。我们在亚马逊上分类了10,072个客户评论，通过它们中描述的机器人失败，将故障分组为十二种类型和三类（技术，互动和服务）。我们确定了先前忽略了文献中忽视的失败的来源和类型，将它们结合到更新的失败分类。我们分析了他们的频率和关系与客户明星评级。结果表明，对于功利主义国内机器人来说，技术故障比互动或服务失败更有害。常常报告任务完成和鲁棒性和恢复力的问题，并具有最大的负面影响。未来的预防和反应战略应解决机器人的技术能力，以满足功能目标，运作和保持结构完整性随着时间的推移。可用性和互动设计对客户体验不利，表明客户可能更宽容影响机器人和实际用途的影响的失败。此外，我们开发了一种能够预测客户审查是否包含描述故障的内容以及它描述的故障类型的自然语言处理模型。借鉴了这些知识，机器人系统的设计者和研究人员可以优先考虑设计和开发努力实现基本问题。

随着YouTube频道的增长，每个视频都可以收集从观众提供直接反馈的巨大评论。这些评论是了解观众期望和改善渠道参与的主要手段。但是，评论仅代表了关于频道和内容的用户意见的一般集合。许多评论构造不当，微不足道，拼写不当和语法错误。因此，确定最有利息的评论是一个繁琐的工作。在本文中，我们根据情绪和句子类型提取并将原始评论分类为不同类别，这将帮助您能够帮助您查找相关评论以越来越多的信息。现有的研究在文本语料库上的相同句子类型（例如，问题类型）中的情感分析（正面和负数）或分类的分类集中在一起。这些对非传统文本语料库有限，如Youtube评论。我们使用众所周知的统计测量和机器学习模型来解决YouTube评论的文本提取和分类的这一挑战。我们使用交叉验证和$ F_1 $分数评估统计测量和机器学习模型的每个组合。结果表明，我们在分类任务中融入了传统方法的方法，验证其在辅助内容创作者中的潜力会增加他们的渠道的观看者参与。

Sentiment analysis or opinion mining help to illustrate the phrase NLP (Natural Language Processing). Sentiment analysis has been the most significant topic in recent years. The goal of this study is to solve the sentiment polarity classification challenges in sentiment analysis. A broad technique for categorizing sentiment opposition is presented, along with comprehensive process explanations. With the results of the analysis, both sentence-level classification and review-level categorization are conducted. Finally, we discuss our plans for future sentiment analysis research.

讽刺可以被定义为说或写讽刺与一个人真正想表达的相反，通常是为了侮辱，刺激或娱乐某人。由于文本数据中讽刺性的性质晦涩难懂，因此检测到情感分析研究社区的困难和非常感兴趣。尽管讽刺检测的研究跨越了十多年，但最近已经取得了一些重大进步，包括在多模式环境中采用了无监督的预训练的预训练的变压器，并整合了环境以识别讽刺。在这项研究中，我们旨在简要概述英语计算讽刺研究的最新进步和趋势。我们描述了与讽刺有关的相关数据集，方法，趋势，问题，挑战和任务，这些数据集，趋势，问题，挑战和任务是无法检测到的。我们的研究提供了讽刺数据集，讽刺特征及其提取方法以及各种方法的性能分析，这些表可以帮助相关领域的研究人员了解当前的讽刺检测中最新实践。

Any organization needs to improve their products, services, and processes. In this context, engaging with customers and understanding their journey is essential. Organizations have leveraged various techniques and technologies to support customer engagement, from call centres to chatbots and virtual agents. Recently, these systems have used Machine Learning (ML) and Natural Language Processing (NLP) to analyze large volumes of customer feedback and engagement data. The goal is to understand customers in context and provide meaningful answers across various channels. Despite multiple advances in Conversational Artificial Intelligence (AI) and Recommender Systems (RS), it is still challenging to understand the intent behind customer questions during the customer journey. To address this challenge, in this paper, we study and analyze the recent work in Conversational Recommender Systems (CRS) in general and, more specifically, in chatbot-based CRS. We introduce a pipeline to contextualize the input utterances in conversations. We then take the next step towards leveraging reverse feature engineering to link the contextualized input and learning model to support intent recognition. Since performance evaluation is achieved based on different ML models, we use transformer base models to evaluate the proposed approach using a labelled dialogue dataset (MSDialogue) of question-answering interactions between information seekers and answer providers.

本次调查绘制了用于分析社交媒体数据的生成方法的研究状态的广泛的全景照片（Sota）。它填补了空白，因为现有的调查文章在其范围内或被约会。我们包括两个重要方面，目前正在挖掘和建模社交媒体的重要性：动态和网络。社会动态对于了解影响影响或疾病的传播，友谊的形成，友谊的形成等，另一方面，可以捕获各种复杂关系，提供额外的洞察力和识别否则将不会被注意的重要模式。

社交媒体网络已成为人们生活的重要方面，它是其思想，观点和情感的平台。因此，自动化情绪分析（SA）对于以其他信息来源无法识别人们的感受至关重要。对这些感觉的分析揭示了各种应用，包括品牌评估，YouTube电影评论和医疗保健应用。随着社交媒体的不断发展，人们以不同形式发布大量信息，包括文本，照片，音频和视频。因此，传统的SA算法已变得有限，因为它们不考虑其他方式的表现力。通过包括来自各种物质来源的此类特征，这些多模式数据流提供了新的机会，以优化基于文本的SA之外的预期结果。我们的研究重点是多模式SA的最前沿领域，该领域研究了社交媒体网络上发布的视觉和文本数据。许多人更有可能利用这些信息在这些平台上表达自己。为了作为这个快速增长的领域的学者资源，我们介绍了文本和视觉SA的全面概述，包括数据预处理，功能提取技术，情感基准数据集以及适合每个字段的多重分类方法的疗效。我们还简要介绍了最常用的数据融合策略，并提供了有关Visual Textual SA的现有研究的摘要。最后，我们重点介绍了最重大的挑战，并调查了一些重要的情感应用程序。

随着电子商务行业的扩散，分析客户反馈是服务提供商必不可少的。最近几天，可以注意到，客户以评论分数上传购买的产品图像。在本文中，我们承担了分析此类视觉评论的任务，这是非常新的。过去，研究人员致力于分析语言反馈，但是在这里，我们没有从语言评论中获得任何可能不存在的帮助，因为可以观察到最近的趋势，客户喜欢快速上传视觉反馈而不是输入语言反馈。我们提出了一个分层体系结构，高级模型参与产品分类，而低级模型则注意从客户提供的产品图像预测评论得分。我们通过采购真实的视觉产品评论来生成数据库，这非常具有挑战性。我们的体系结构通过对所采用的数据库进行广泛的实验，从而获得了一些有希望的结果。拟议的分层体系结构比单层最佳可比架构的性能提高了57.48％。

深度学习（DL）框架现在被广泛使用，简化了复杂模型的创建以及它们对各种应用的集成甚至到非DL专家。但是，就像任何其他程序一样，他们容易发生错误。本文与命名静默错误的错误分类：它们会导致错误的行为，但它们不会导致系统崩溃或挂起，也不会向用户显示错误消息。这种错误在DL应用程序和框架中更危险，因为系统的“黑匣子”和系统的随机性质（最终用户无法理解模型如何做出决定）。本文介绍了Keras和Tensorflow Silent错误的第一个实证研究，以及它们对用户节目的影响。从Tensorflow Github存储库中提取与KERA相关的封闭问题。在我们收集的1,168个问题中，77个影响了影响用户程序的可重复静音错误。我们根据“用户程序的影响”和“发生问题”的“发生问题的组件”归类错误。然后，我们根据用户程序的影响，我们为每个问题派生威胁级别。为了评估所确定的类别和影响规模的相关性，我们使用103个DL开发人员进行了在线调查。参与者普遍同意DL库中静音错误的重大影响，并承认了我们的研究结果（即，沉默错误的类别和拟议的影响量表）。最后，利用我们的分析，我们提供了一套指导方针，以促进对DL框架中的这些错误的保护。

发现别人认为是我们信息收集策略的关键方面。现在，人们可以积极利用信息技术来寻找和理解他人的想法，这要归功于越来越多的意见资源（例如在线评论网站和个人博客）的越来越多。由于其在理解人们的意见方面的关键功能，因此情感分析（SA）是一项至关重要的任务。另一方面，现有的研究主要集中在英语上，只有少量研究专门研究低资源语言。对于情感分析，这项工作根据用户评估提供了一个新的多级乌尔都语数据集。高音扬声器网站用于获取乌尔都语数据集。我们提出的数据集包括10,000项评论，这些评论已被人类专家精心归类为两类：正面，负面。这项研究的主要目的是构建一个手动注释的数据集进行乌尔都语情绪分析，并确定基线结果。采用了五种不同的词典和规则的算法，包括NaiveBayes，Stanza，TextBlob，Vader和Flair，实验结果表明，其精度为70％的天赋优于其他经过测试的算法。

社交媒体的自杀意图检测是一种不断发展的研究，挑战了巨大的挑战。许多有自杀倾向的人通过社交媒体平台分享他们的思想和意见。作为许多研究的一部分，观察到社交媒体的公开职位包含有价值的标准，以有效地检测有自杀思想的个人。防止自杀的最困难的部分是检测和理解可能导致自杀的复杂风险因素和警告标志。这可以通过自动识别用户行为的突然变化来实现。自然语言处理技术可用于收集社交媒体交互的行为和文本特征，这些功能可以传递给特殊设计的框架，以检测人类交互中的异常，这是自杀意图指标。我们可以使用深度学习和/或基于机器学习的分类方法来实现快速检测自杀式思想。出于这种目的，我们可以采用LSTM和CNN模型的组合来检测来自用户的帖子的这种情绪。为了提高准确性，一些方法可以使用更多数据进行培训，使用注意模型提高现有模型等的效率。本文提出了一种LSTM-Incription-CNN组合模型，用于分析社交媒体提交，以检测任何潜在的自杀意图。在评估期间，所提出的模型的准确性为90.3％，F1分数为92.6％，其大于基线模型。

同行评审是一项广泛接受的研究评估机制，在学术出版中发挥关键作用。然而，批评已经长期升级了这种机制，主要是因为它的低效率和主体性。近年来已经看到人工智能（AI）在协助同行评审过程中的应用。尽管如此，随着人类的参与，这种限制仍然是不可避免的。在本文中，我们提出了自动化学术纸质审查（ASPR）的概念，并审查了相关的文献和技术，讨论实现全面的计算机化审查流程的可能性。我们进一步研究了现有技术ASPR的挑战。在审查和讨论的基础上，我们得出结论，ASPR的每个阶段都有相应的研究和技术。这验证了随着相关技术继续发展的长期可以实现ASPR。其实现中的主要困难在于不完美的文献解析和表示，数据不足，数据缺陷，人机互动和有缺陷的深度逻辑推理。在可预见的未来，ASPR和同行评审将在ASPR能够充分承担从人类的审查工作量之前以加强方式共存。

经过大量地震后，我们可以看到个人和媒体机构在社交媒体平台上发布的图像由于这些天智能手机的大规模使用而发布。这些图像可用于提供关于公共和研究群落的地震区域震荡损坏的信息，并且可能导致救援工作。本文提出了一种自动化的方法，可以在来自诸如Twitter等社交媒体平台的地震之后提取损坏的建筑图像，从而识别包含此类图像的特定用户帖子。使用传输学习和〜6500手动标记图像，我们培训了深入学习模型，以识别现场损坏的建筑物的图像。当在土耳其2020 M7.0地震发生后，在不同地区的新收购的地震图像上进行地震图像的地震图像时，训练有素的模型取得了良好的表现。此外，为了更好地了解模型如何做出决策，我们还实现了Grad-CAM方法来可视化促进决策的图像上的重要位置。

初始故障检测和诊断是提高车辆运行效率，安全性和稳定性的迫切措施。近年来，许多研究已经调查了使用可用的车辆数据改善车辆诊断过程的数据驱动方法。此外，采用数据驱动方法来增强客户服务代理交互。在这项研究中，我们展示了一种机器学习管道，以改善自动化车辆诊断。首先，自然语言处理（NLP）用于自由文本故障报告中提取至关重要的信息（在客户对服务部门的呼叫中生成）。然后，采用深度学习算法来验证服务请求并过滤模糊或误导性索赔。最终，实现了不同的分类算法以对服务请求进行分类，以便可以针对相关的服务部门进行有效的服务请求。拟议的模型 - 双向短期内存（BILSTM）以及卷积神经网络（CNN） - 显示了与技术人员的能力相比验证服务请求的18倍以上的准确性提高。此外，在预处理和特征提取阶段使用基于域的NLP技术以及基于CNN-BILSTM的请求验证提高了精度（$> 25 \％$），灵敏度（$> 39 \％$），特异性（$> 11 \％$），精度（$> 11 \％$）渐变树升压（GTB）服务分类模型。曲线下（ROC-AUC）下的接收器操作特征区域达到0.82。

客户服务Chatbots是对话系统，旨在为客户提供有关不同公司提供的产品/服务的信息。特别地，意图识别是自然语言低估Chatbot系统的能力的核心组件之一。在聊天训练识别的不同意图中，他们有一组是通用的任何客户服务Chatbot。普遍意图可以包括称呼，将对话交给人类代理人，告别。识别这些普遍意图的系统将非常有助于优化特定客户服务聊天训练过程。我们提出了一个普遍意图识别系统的发展，该系统受过培训，以识别28个不同的聊天跳闸中常见的11个意图组。拟议的系统考虑了最先进的单词嵌入模型，例如Word2VEC和BERT，基于卷积和经常性神经网络的深层分类器。所提出的模型能够区分这些普遍意图，均衡精度高达80.4 \％。此外，所提出的系统同样准确地识别短期和长文本请求中表达的意图。同时，错误分类错误通常发生在具有非常相似的语义领域，例如告别和正面评论之间。建议的系统将非常有帮助优化客户服务Chatbot的培训过程，因为我们的系统已经可用并检测到一些意图。与此同时，拟议的方法将是一个合适的基础模型，通过应用转移学习策略培训更具体的聊天措施。

With the increasing demand for predictable and accountable Artificial Intelligence, the ability to explain or justify recommender systems results by specifying how items are suggested, or why they are relevant, has become a primary goal. However, current models do not explicitly represent the services and actors that the user might encounter during the overall interaction with an item, from its selection to its usage. Thus, they cannot assess their impact on the user's experience. To address this issue, we propose a novel justification approach that uses service models to (i) extract experience data from reviews concerning all the stages of interaction with items, at different granularity levels, and (ii) organize the justification of recommendations around those stages. In a user study, we compared our approach with baselines reflecting the state of the art in the justification of recommender systems results. The participants evaluated the Perceived User Awareness Support provided by our service-based justification models higher than the one offered by the baselines. Moreover, our models received higher Interface Adequacy and Satisfaction evaluations by users having different levels of Curiosity or low Need for Cognition (NfC). Differently, high NfC participants preferred a direct inspection of item reviews. These findings encourage the adoption of service models to justify recommender systems results but suggest the investigation of personalization strategies to suit diverse interaction needs.

Merchants selling products on the Web often ask their customers to review the products that they have purchased and the associated services. As e-commerce is becoming more and more popular, the number of customer reviews that a product receives grows rapidly. For a popular product, the number of reviews can be in hundreds or even thousands. This makes it difficult for a potential customer to read them to make an informed decision on whether to purchase the product. It also makes it difficult for the manufacturer of the product to keep track and to manage customer opinions. For the manufacturer, there are additional difficulties because many merchant sites may sell the same product and the manufacturer normally produces many kinds of products. In this research, we aim to mine and to summarize all the customer reviews of a product. This summarization task is different from traditional text summarization because we only mine the features of the product on which the customers have expressed their opinions and whether the opinions are positive or negative. We do not summarize the reviews by selecting a subset or rewrite some of the original sentences from the reviews to capture the main points as in the classic text summarization. Our task is performed in three steps: (1) mining product features that have been commented on by customers; (2) identifying opinion sentences in each review and deciding whether each opinion sentence is positive or negative; (3) summarizing the results. This paper proposes several novel techniques to perform these tasks. Our experimental results using reviews of a number of products sold online demonstrate the effectiveness of the techniques.

通过为患者启用远程医疗服务，远程医疗有助于促进医疗专业人员的机会。随着必要的技术基础设施的出现，这些服务已逐渐流行。自从Covid-19危机开始以来，远程医疗的好处就变得更加明显，因为人们在大流行期间倾向于亲自探望医生。在本文中，我们专注于促进医生和患者之间的聊天课程。我们注意到，随着对远程医疗服务的需求的增加，聊天体验的质量和效率可能至关重要。因此，我们为医学对话开发了一种智能的自动反应生成机制，该机制可帮助医生有效地对咨询请求做出反应，尤其是在繁忙的课程中。我们探索了9个月内收集的医生和患者之间的900,000多个匿名的历史在线信息。我们实施聚类算法，以确定医生最常见的响应，并相应地手动标记数据。然后，我们使用此预处理数据来训练机器学习算法以生成响应。所考虑的算法有两个步骤：过滤（即触发）模型，以滤除不可行的患者消息和一个响应发生器，以建议成功通过触发阶段的响应前3位医生响应。该方法为Precision@3提供了83.28 \％的精度，并显示出其参数的鲁棒性。