沙特国王大学学报利用客户Vishal Vyas，V.库马尔？拉维？乌马计算机科学系，工程与技术学院，本地治里大学，本地治里605014，印度阿提奇莱因福奥文章历史记录：收到2019年2019年11月30日修订2019年12月15日接受2019年12月24日在线发布保留字：层次分析法（AHP）高级情感分析信息系统在线评论MCDMA B S T R A C T银行机构是任何国家经济的重要组成部分由于银行及其服务的广泛可用性，一个人根据他/她的具体需要选择银行是一项繁琐的在这方面，我们引入了一个计算框架，根据人们的意见对一组银行机构进行排名引入的框架是基于方面的情感分析和多标准决策（MCDM）的方法。为了评估我们的方法，我们开发了一个情感数据集，包括对四家印度国有银行的评论，其质量使用9个方面/属性进行评估。为了提出整体排名，我们采用简单多数表决的排名使用三个多准则决策方法，即层次分析法，VIKOR，模糊多属性决策。我们观察到，使用我们的方法获得的最终排名与选定的四家印度银行的现实生活中的推广有很大的相似之处。©2019作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍从不同的金融公司中选择最佳的银行进行投资是一个关键而重要的阶段。银行提供各种各样的服务，选择最合适的银行是一项繁琐的任务。大多数时候，在选择产品时会考虑对产品的意见（Vyas和Uma，2019）。从客户对产品、人员等实体的想法中获得洞察力的过程被称为情感分析（Vyas和Uma，2019）。然而，基于方面的情感分析考虑基于实体的特定方面的情感分类。例如，在关于银行的意见在这里，对“贷款”和“利率”方面的意见通过大量的评论来获得最佳意见是一项繁琐的任务，因为评论者根据他们选择的方面表达观点。在线论坛提供的可访问性可以帮助客户发布有关任何产品和服务的评论。通过网上*通讯作者。电子邮件地址：vyasvishaluni@gmail.com （V. Vyas），umabskr@gmail.com（V. Uma），raviphd2018@gmail.com（K.Ravi）。评论，客户通常会表达他们的期望。 评论中的言论自由使其成为高等级的情感文本。我们可以在像Bank bazaar这样的网站上找到各种产品的许多评论。1在这项工作中，我们提出了一个评估模型，消除了网上评论者表达的情绪和层次分析法（AHP）开发集成MCDM模型来排名银行。排名是确定优先级的最简单方法之一。优先级排序帮助我们以最小的资源损失实现多个目标。为了确定在选择什么不做和什么做时的权衡，需要对重要性进行分级。2为了迎接这一挑战，等级排序是自然的，易于实现。无论是投资还是购物，我们都需要对可用的选项进行排序，以选择最佳选项。为此，我们征求意见。因此，我们的工作集成方面提取，意见阐述，和等级评价。一些研究利用MCDM模型从给定的选项中选择，比较和排序不同的方案Wu et al.（2009）提出了一种基于平衡记分卡评估烘焙性能的模糊多准则决策方法。通过专家问卷调查，从文献中筛选出23个适合银行绩效评价的指标。他们采用模糊层次分析法1https://www.bankbazaar.com/。2https://hbr.org/2017/02/a-better-way-to-set-strategic-priorities。https://doi.org/10.1016/j.jksuci.2019.12.0091319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com诉Vyas等人/沙特国王大学学报2263运用模糊层次分析法（FAHP）确定各指标的相对权重。从客户、财务、学习与成长、内部流程四个维度对三家银行进行了财务和非财务方面的平衡卡排名他们采用SAW、TOPSIS和VIKOR三种MCDM分析工具对银行业绩效进行Amile等人（2013年）评估了伊朗的国有、部分私有和私有企业。他们使用关于金融和非金融变量的问卷来提取数据。为了评估财务业绩，他们考虑了盈利能力，吸引份额，资产回报率，要求损失率和资本充足率。对于非财务绩效，他们评估了员工，实物证据，促销，服务质量，流程，电子渠道，物理渠道，物理位置和定价。他们使用FAHP来评估财务和非财务变量的相对权重，采用TOPSIS法进行排序。Liu et al.（2013）提出了一种基于用户意见的推荐算法。他们考虑评级和意见，创建一个餐厅推荐系统。为此，他们从中文在线评论中考虑了气氛、速度、数量、菜肴、价格、品种、车厢、交通、商业和性格等根据这些特征，他们对不同的餐馆进行了排名。作者Wang et al.（2017）使用意见挖掘对产品方面进行了排名。为此，他们从亚马逊上抓取了数码相机的信息。3采用词频和逆文档频率（TFIDF）和高形容词计数（HAC）来确定方面排名。他们收集了386个产品的57，478条评论。此外，他们还考虑了价格、评级、销售排名、评论时间、评论标题和评论者来对数码相机的不同方面进行排名。Ravi和Ravi（2017）提出了一种混合MCDM模型，使用面向方面 的 情 感 挖 掘 对 手 机 和 数 码 相 机 进 行 排 名 。 为 此 ， 他 们 从www.amazon.com和www.amazon.in收集了在线评论。他们分别在苹果iPhone、HTC One、诺基亚Lumia和三星Galaxy手机上对这款手机进行了722、870、699和873次评测此外，他们还收集了佳能、尼康、松下和索尼数码相机的676条评论在他们的方法中，他们使用词性（POS）标记器和WordNet来确定产品的各个方面手工干预在确定方面较少，但错误识别和复杂性的可能性更大。他们利用情感词汇来确定面向方面观点的情感得分。他们使用各种MCDM方法对不同的手机和相机进行Kumar等人（2018）使用多标准决策（MCDM）方法评估了不同的云 服 务 。 他 们 综 合 了 AHP 和 相 似 性 排 序 技 术理 想 解 决 方 案（TOPSIS），通过对可用云服务进行排名来确定最合适的服务。为此，他们考虑了五个标准，即CPU性能、磁盘I/O一致性、磁盘性能、内存性能和成本。他们用提出的方法对11个云服务进行了Guo等人（2018）使用基于方面的情感分析对不同的汽车进行了排名。他们对四款不同的汽车收集了8,243条在线评论。为此，他们确定了八个方面，即舒适性，外观，空间，机油成分，配置，车内，动力和越野。他们用潜在狄利克雷分配（LDA）准备方面的权重，并使用页面排名算法生成排名。Yu等人（2018）使用www.tripadvisor.com的在线评论介绍了MCDM模型用于酒店选择。在他们的工作中，首先，他们提出了一种基于语言尺度函数的语言分布评估比较方法二是3www.amazon.com。利用可调参数测量了不同语言项数的语言分布估计之间的新距离。最后，建立了一个考虑优先级聚合算子和距离测度的数学模型.他们使用在线酒店评论验证了所提出的模型的可靠性和可行性。Fancello等人（2019）提出了一种方法，能够对关键道路交叉口进行排名，以改善道路安全。他们将TOPSIS、VIseKriterijumskaOptimizacija I Kompromisno Resenje（VIKOR）和一致性分析应用于真实数据集。作者考虑了意大利的villacrido市建立的六个关键道路交叉口的等级从最差到最好的排名。为此，他们考虑了八个标准，即从入口，道路标志和标记，交叉口照明，路面维护，交通冲突点的密度，进入交叉口区域的车辆数量，重型车辆和行人流量。敏感性分析证实了TOPIS和VIKOR在生成排名以支持决策者方面的相似性。Fei等人（2019）引入了Dempster Shafer-VIKOR（DS-VIKOR）方法来选择最佳供应商，以实现更好的供应链管理。为了选择最合适的供应商，他们定义了五个标准，即产品质量，建立合作的难度，服务性能，风险因素和价格/成本。作者认为DS-VIKOR方法能有效地处理不确定性信息。此外，新方法获得了选择最优供应商的合理折中方案Jatoth等人（2019）提出了用于选择云服务的混合MCDM模型。他们结合层次分析法确定标准权重和灰色技术的偏好顺序的相似性理想的解决方案。为此，他们考虑了五个标准，即每小时价格、处理性能、I/O操作一致性、磁盘存储性能和内存性能。在他们的工作中，通过敏感性分析，层次分析法与灰色TOPSIS被证明是有用的云服务的选择。他们用提出的方法对19个云服务进行了排名。从文献中，我们发现大部分工作都是针对手机、相机、云服务和餐馆进行的。据我们所知，没有人提出对银行进行排名。没有关于金融机构的数据集。因此，我们在这项工作中引入了新的数据集投资决策对每个人都至关重要。因此，在购买投资产品时，我们经常会征求意见。问题是表达意见的标准/方面因人而异。财务稳定的人可能更喜欢在线服务而不是利率，而经济上较穷的人可能不一样。因此，我们提出了一个模型来排名金融机构考虑面向方面的意见。1.1. 贡献我们为不同的金融机构引入了一个面向方面的数据集我们从网站https：//www. bankbazaar.com/网站。该数据集包含相关评论，其中对突出的方面/服务表达了我们新开发的数据集将在https://github.com/vishalisingithub/indianbankreviews上在线提供。这项工作介绍了n-gram的方法来提取方面的话语信息的银行。在这里，我们利用uni-gram和bi-gram，其出现频率在文档级别。我们考虑了从客户的声音中获得质量见解的最重要方面。我们结合了斯坦福解析器和不同情感词典生成的解析图，以确定各种标准/方面的情感得分。最后，根据客户在网上评论中表达的情绪，对不同的银行进行排名。●●●2264诉Vyas等人/沙特国王大学学报1/4fg1/4fg1/4fg1/4fg本文的其余部分组织如下：第2节将解释实验方法，这是一个基于方面的情感分析和不同的MCDM方法的混合物。第3节将讨论实验装置。第四节介绍了重点和讨论的研究结果。最后，第5节将总结本文，并提出未来的发展方向。2. 实验方法实验方法如图1所示。它包括五个模块，即：（i）文本数据采集和方面提取，（ii）预处理，（iii）面向广告的意见确定，（iv）情感得分提取和（v）应用模糊MCDM方法。算法1描述了银行排名的过程。本节简要介绍拟议模型中的每个模块。算法1使用MCDM和情感分析方法1：抓取评论AR1; AR2;. ; AR yg（来自评论聚合网站，如www.bankbazaar.com和www.mouthshut.com）2：在AR上执行文本清理（删除网址、客户经理3：确定一元语法和二元语法的频率，以识别出现最多的单词W1;W2;... ;W ng，诸如W n fAR1; AR2;. ; AR yg4：从W中选择相关的9个方面AA1; A2;. . ; A9与银行领域相关，5：列出口语术语CC1;C2;. ;Ct（uni- gram或bi-gram）对于A6：过滤出有用的评论R¼ fR1;R2;. ;Rmg使得R_A_R和R_i|f_A[C_g-fR iWR1;WR2;... ;WRkd组词7：对于R中的每个评论，8：执行文本预处理（标记化，停止词删除，词干分析和解析）9：生成解析图以识别意见词列表O i O i1;O i2;. ;Oix出现在A中的每个方面，其中i从1到910：确定解析图中要考虑的边的数量的阈值图11：对于4个银行机构的每个方面Ai，使用三个使用SO-CAL、SenticNet和SentiWordNet12：结束13：使用层次分析法计算每个识别的方面Ai14：使用三种多标准决策方法（即AHP、FMADM和VIKOR）15：银行机构采用简单多数表决法2.1. 数据采集和方位提取在所提出的方法中，我们采用了n-gram技术来确定一个方面的列表。此外，我们只考虑了所有替代方案（银行）中的共同点。此外，我们还考虑了这些方面的口语词，Fig. 1.实验方法。首先，我们标记了每个银行评论。我们丢掉了“.”，'？'，'!'，名词和代词，以减少进一步处理的数据，而不影响评论的主观性。我们准备一个带有出现频率的uni-gram和bi-gram我们认为，有意义的uni-grams和bi-grams具有较高的出现频率。例如“利率”，“服务费”，“滞纳金”，“分期付款”，“贷款”等。其次，我们考虑了不同银行评论的共同点。第三，通过在两个词之间插入“”，将所有的二元语法转换为一元语法。例如，服务费被转换为出现频率高意味着用户经常评论这些方面。转换是为了考虑几个方面的情况，因为在给出意见时，评论者有时会将一个方面的兴趣称为利率或使用不同的词。我们还为每个方面准备了一个口语词汇表，并通过前面描述的转换过程处理每个评论。我们确定了不同银行的九个最重要的共同点。表1给出了我们实验中考虑的方面和口语词的细节。最后，我们只考虑那些至少有一个方面的银行评论。2.2. 预处理我们应用了不同的预处理技术，即分词，停止词删除，和词干处理数据集中的噪声我们把一连串的单词转换成记号。为了更好地生成语料库，我们使用了NLTK工具包。4在意见小姐 本节解释方面提取的过程详细4http://www.nltk.org/。诉Vyas等人/沙特国王大学学报2265×-JPJN--¼ ðÞ¼ ðÞ表1银行数据集中可用的方面和口语词列表体口语词即期支票信用卡，借记卡，现金卡，刷卡贷款抵押会计报表，分类帐，资产负债表，财务报表图二.分析银行审查的图表。服务电荷利率税费、缴费、年费、手续费、银行手续费、罚款、年费、会员费、保险费、滞纳金贷款利率PiNiEMI分期付款SCT ij¼XSCTPOW-XSCTNOWð1Þ服务客户支持员工、经理、出纳员、行政人员第1页jpjnn1最后，我们执行了词干提取，这是一个将每个单词转换为其根形式的过程。例如，'applied'和'applying'被转换为'apply'。审查的词干是使用雪球词干算法（波特，2001年）。在解析中，使用Stanford解析器为每个评论生成依赖关系列表（Socher等人，2013年）的报告。每个依赖关系是一组三个组件，即二进制关系，总督和依赖。2.3. 面向事件的意见确定该阶段被细分为如下所述的三个步骤：（i）解析图生成（ii）识别相邻词（iii）针对方面的意见提取。两个有关系的词用边连接。在解析图中，所有的单词都是节点，依赖关系表示边。图2中描绘了解析图的示例。在第二步中，我们为每个银行审查中确定的方面准备了一个相邻词列表。我们假设方面和其他的话作为邻居，如果最短的路径被确定。为此，我们使用了Dijkstra（1959）。我们从邻近词列表中提取意见词。为了确定意见是否表达在某个方面上，我们设置了一个阈值体和观点词之间的边数。在我们的实验中，我们观察到意见和方面存在于相同的依赖关系中。例如，考虑图2中描绘的解析图。在这里，有一个直接的依赖关系之间的名义，率和坏，服务。为此，我们手动检查了50个基于不同银行评论构建的解析图。因此，我们将阈值固定为1（方面和观点之间的边数）。此外，我们还观察到方面之间依赖关系的模式。首先考虑那些大多数时候包含方面的依赖关系，以适当地捕获方面。被观察到具有体的依存关系是：amod（形容词修饰语）、xcomp（开放从句补语）、conj：and（连接词and）、acl：relcl（关系从句修饰语）、ccomp（从句补语）、advcl（状语从句修饰语）、dobj（直接宾语）、advmod（副词修饰语）、nsubj（名词主语）、nmod：npmod（名词短语作为状语修饰语）和dep（依存关系）。 我们把动词、副词、形容词作为意见词。2.4. 情感评分提取我们为预处理的银行评论制定了情感评分表（SCT）“SCT”的维度我们遵循Ravi和Ravi（2017）计算情绪得分。在这里，我们准备了一个表的情绪分数使用方程。（一）.其中，Pi表示第i个备选方案出现的正面意见词（POW）的基数，第j个标准的正面意见词。同样地，Ni表示针对第i个备选方案出现的负面意见词（NOW）的基数，NSCTNOW是针对第j个准则的负面意见词的情感得分。当量（1）用于计算所选标准/方面的每个备选项（银行）的情感得分 。 为 了 获 得 senti- ment 得 分 ， 我 们 利 用 了 三 个 意 见 词 典 ， 即Semantic Orientation-CALculator （ Taboada et al. ， 2011 ） 、SenticNet3（Cambria等人，2014）和SentiWordNet（Baccianella等人，2010年）。So-CAL分配了两个情感得分，范围为+1至正、负词分别为+5和1 ~ 5。SO-CAL中可用的词限于副词、形容词和动词（Taboada等人，2011年）。因此，我们考虑了两个附加的情感词典SenticNet3和SentiWordNet，以覆盖更多的单词。这两种方法都分配了1到+1范围内的情感得分。因此，将从前一情感词典获取的情感得分除以5以使得分相似。对于情感得分计算，我们只考虑那些至少有一个方面的对体的感情是通过使用一个或多个意见词来表达的。情绪评分第i备选方案Ai和第j个标准Cj使用SCTij来计算，如等式（1）中所述。1.一、2.5. 多准则决策2.5.1. 层次分析法我们利用AHP来确定每个标准/方面的权重。这分两个阶段进行。我们准备一个成对的比较矩阵，从银行选择的方面。在这里，方面被放置在行和列中。使用表2将所有方面相互比较，以在1- 9的范围内分配相对重要性矩阵的对角线表示相似方面之间的比较。因此，所有对角元素都是1。评估权重的过程如第3.2节所示。不同备选方案的排名是归一化情感得分和权重的结果矩阵乘积。更高的产出权重对应于更好的排名。2.5.2. 模糊多属性决策一般多属性决策方法（MADM）已发展到解决问题的评价属性的相对重要性。MADM方法指定如何根据属性信息在备选方案中进行选择。MADM方法描述如下：B1;B2;B3;. ;B n是‘银行的“B”的重要性是ated使用‘属性(goal/aspects/criteria）等作为一A1;A2;A3;. ;Am.在我们的工作中，我们尝试了4种替代品，其性能是在9个方面的帮助下测量的。根据Yager2266诉Vyas等人/沙特国王大学学报¼¼一Xp（X.！W2367¼1J67J2019 - 05- 15 00：00我J2019- 01-19 00：00表2Q¼v.Ui-U1-v。Ri-R6我编制重要性强度两两比较矩阵。U--UR--R强度重要性定义这里，v是决策机制指数，它位于[0，1]范围内的1同样重要3中度重要5非常重要7非常重要9非常重要2、4、6、8中间值参数v表示组效用。其中，v>0： 5表示最大的群体利益，v<$4 0： 5表示根据妥协的决定，v0： 5表示最小的个人遗憾。<在VIKOR V中，最好是0：5。v0： 5表示一个比较-最大化团体利益和最小化个人利益的原则遗憾较小的Qi值表示更好的备选方案xi。1/2 1/3 1/4... . 、1/9如果标准A相对于标准B的重要性强度是5，则倒数（1/5）是标准B相对于标准A3. 实验装置标准或它们与备选方案的关系不能直接确定，而可以通过模糊集确定。让我们将属性表示为模糊集A^i，其中i^1;2;3;. 。 . ;m. 设wi（一个清晰的数字）是第i个标准的重要性或权重。备选方案Bj达到标准A^i的程度由成员资格的程度l^<$B j表示。Bellman和Zadeh（1970）将决策的概念定义为目标和约束的汇合。在我们的语境中，决策是所有标准的交集，其幂为w。使用Eq. 二、D¼A^1w1\A^2w2\. . . \A^mwm2其中，Mwi11/1我们已经利用模糊与确定不同的替代品在这个实验中的最终值。Fuzzy-AND的值越高，表示等级越好。3.1.1. VIKOR算法VIKOR是一种多准则决策方法，最初由Opricovic（1998）提出。该方法是为解决具有冲突准则的决策问题而开发的VIKOR方法首先确定正理想解（PIS）f_∞和负理想解f_∞，tion（NIS）f-然后对备选项进行VIKOR是一种妥协决策方法，它是指通过相互让步来达成对备选方案排序的协议。VIKOR方法是从LP-度量（Yu，1973）的凝聚函数发展而来的，它由方程（1）表示. （三）、在本节中，我们将展示对四家银行进行排名的实验工作。我们从新的银行数据集中提取方面，并依次使用三个基于意见的字典准备情感得分矩阵。 这样做是为了不错过任何意见导向的话。此外，这里详细解释了通过考虑意见来执行以生成排名的实验。所有的实验都使用JAVA，Python和Microsoft Excel进行。3.1. 数据集集合对于拟议的工作，我们创建了一个关于四家银行的在线评论数据集，即。Axis、HDFC、ICICI和SBI。在这些银行中，SBI是一家公共部 门 银 行 ， 其 他 是 私 营 部 门 银 行 。 在 这 里 ， 我 们 使 用https://www.bankbazaar.com/收集对银行的评论。BankBazaar5是世界我们分别为HDFC Bank、ICICI Bank、SBI和Axis Bank数据集提取了1025、2014、1498和1255条随机我们只对那些至少有一个方面的评论感兴趣。因此，在这个过程中，我们分别考虑了HDFC Bank、ICICI Bank、SBI和Axis Bank数据集的510、500、520和500个相关评论。表3显示了数据集的总结。3.2. 成对比较矩阵正如第一节所讨论的，我们准备了四家银行的支票、卡、贷款、账户、服务费、利率、EMI、服务、员工等方面的清单。SBI、ICICI、HDFC和AXIS。成对比较矩阵是一种将备选方案与n日本语简体中文wfj --一种国际新闻报！p）1ð3Þ对方.一位专家使用表2确定了标准的重要性。它导出了为每个标准生成权重的过程第1页fj -f-j从而得出最佳选择的总体排名，其中，1
ICICI>HDFC>AXIS。从所得结果中，我们发现，所选择的九个标准是有用的，帮助不同的MCDM方法来确定不同的银行的排名。由多个MCDM方法生成的相同排名呈现了我们框架的整体情况。对于替代HDFC组，没有MCDM方法产生类似的排名。对所选标准/方面表达的意见不足以将其与其他备选方案区分开来。为了可视化具有不同方面/标准的所有备选方案的统计数据，我们绘制了VIKOR方法的情感得分和LP度量表达的图。从情感得分生成的图如图11所示。 3并从值中绘图的wfj-fij 表达在图中描绘。 四、jfj-f-j使用图3和4，我们观察到SBI在贷款，帐户，利率和emi方面具有最好的正反馈。反馈在工作人员仍然优于其他两个方案。所以图3.第三章。所有备选方案在不同标准下的情感得分通过我们提出的集成方法，决定将SBI置于最高级别。此外，不考虑对支票和服务费等标准的负面意见，对SBI银行的总体积极情绪最高。此外，为了验证等级模式，我们使用VIKOR方法进行了敏感性分析。表9表示v = 1、0.5和0的备选方案中的秩模式。这里，v = 1代表最大效用，v = 0.5表8每个标准的最佳和最差表现理想解决方案支票卡贷款账户服务费利率EMI服务工作人员0.00760.01510.0460.0360.320.0250.660.030f-j0.00130.00460.670.0200.280.010.590.013表9采用VIKOR法进行等级评价和敏感性分析。替代UiRiQi（v =1）秩Qi（v=.5）秩Qi（v = 0）秩轴线0.670.307141414HDFC0.540.230.6320.3820.132履行机构0.320.218010101ICICI0.620.2490.8530.60230.343表10不同银行的最终排名。替代AHPFMADMVIKOR合奏重量秩模糊和秩Qi（v =0.5）秩秩轴线0.15841.1093144HDFC0.25631.15510.38723履行机构0.29910.8714011ICICI0.28421.14320.601322270诉Vyas等人/沙特国王大学学报图四、使用VIKOR方法进行特征重要性识别图五. 决策层次结构。代表妥协，v = 0代表个人遗憾。所有v值均产生相同的SBI等级。图3和4表明ICICI对卡、手续费、账户、贷款、服务和员工的正反馈较好，对支票、利率和emi的正反馈最少。这意味着，卡，服务费，帐户，贷款，服务，员工等标准帮助ICICI在使用客户声音时达到第二位。我们重复了ICICI等级的敏感性分析，发现它与ICICI相似。与v的所有值一致。图3和4表明HDFC银行在支票和服务费方面获得了最好的正反馈，而在卡、贷款、账户和emi方面获得了较低的正反馈。因此，这些标准是将HDFC排在第三位的相关参与者。用灵敏度分析，替代因此，在最大效用、妥协和个人遗憾方面，HDFC在其他选择中的地位没有改变。对于AXIS银行，图3和4表明，对服务的积极情绪最高，对信用卡，贷款，账户和员工的积极情绪较低。因此，这些标准是AXIS银行进入第四等级的主要推动力。如表9所示，我们进行了敏感性分析，这表明在不同的时间段内，v的值。4.1. 人工评价为了验证所提出的基于方面的情感检测框架，我们进行了人类评价。为了做到这一点，我们从银行数据集中随机选择了100个样本。考虑用于验证的样品包含125个方面。对于出现的方面，我们手动识别隐含表达的意见，并将其与使用我们的框架计算的情感得分进行在这里，我们检查了以下事项：（i）是否在该方面获得了意见。（ii）收集到的意见是否经过准确计算。就125个范畴而言，架构未能收集就32个范畴表达的意见，而就15个范畴表达的意见则被错误计算因此，我们发现，基于方面的意见确定的匹配分数为70：4%。要了解匹配分数，请考虑一个样本与市场上的其他人相比，兴趣是很高的当谈到ICICI银行的客户服务时， 他们及时跟进“。本文从贷款、利率、服务三个方面对客户对ICICI银行的评价进行了分析。我们的方法准确地识别了对贷款、利率的意见，但没有捕捉到对服务方面的5. 结论本文提出的框架，这将有助于金融决策者的排名和比较的银行基于客户的声音。在这里，我们引入了一种有效的基于方面的MCDM方法来对信息的性质是主观的金融机构进行排名，图5表示对不同库进行排名的方法的分层结构该模型利用Aesthet-level情感分析来收集关于突出标准（方面）的情感。根据这些最重要的标准，各银行通过多数投票法通过集成MCDM进行排名，以选择最佳银行。我们对最终银行排名进行了敏感性分析。我们提出的方法的正确性进一步调查，通过人的评价。在这里，我们发现我们的模型的正确性是70：4%。在现实生活中，人们的观点会随着时间的推移而改变的偏好的改变也是可能的，因为银行可能会改善他们的服务逐渐或用户可能会发现产品或服务满意。将来，我们会把意见视为时间序列，以预测人们在一段时间内此外，我们还面临着知识世界模糊性的问题。例如，在现有的词典中，单词“nominal”被认为是否定的在“银行提供名义利率“这样的例子中，必须肯定地指出同一个词在未来，我们将在金融领域纳入一个新的字典，这将增强情感检测。利益冲突没有人申报。引用Amile，M.，Sedaghat，M.，Poorhossein，M.，2013. 运用模糊层次分析法与topsis法评估银行绩效，案例研究：伊朗国有银行、部分民营银行与民营银行。凯斯宾应用科学杂志Res. 2（3）.诉Vyas等人/沙特国王大学学报2271Baccianella，S.，Esuli，A.，Alftiani，F.，2010. sentiwordnet3.0：用于情感分析和意见挖掘的增强型词汇资源。 Lrec 10，2200-2204。贝尔曼，R.E.，洛杉矶扎德1970年模糊环境下的决策管理。Sci. 17（4）. B-141Cambria，E.，Olsher，D
我的内容管理
展开
