Web 2.0 technology enables customers to share electronic word of mouth (eWOM) about their experiences. eWOM offers great market insights to the organization, and important for organization’s success. eWOM monitoring and management is one of the major contemporary challenges for the organization, because of high volume and frequency of the content. It is nearly impossible for an organization to manually monitor content generated by each user. In this paper, we propose sentiment analysis as an alternative method for analysis of emotions and behavioral intentions in real-time data. Sentiment analysis is performed on women’s e-clothing reviews collected from the Kaggle data repository. The dataset consists of 23,486 reviews, comprising ten feature variables. This study applied artificial neural network techniques to determine polarity of the data in terms of positive or negative. Sentiment analysis was performed by using two artificial neural networks, Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM), to classify the review as recommended (positive) or not recommended (negative). The proposed models have been evaluated on these performance measuring parameters: accuracy, recall, specificity, F1-score and roc-curve. The LSTM method outperformed CNN and achieved classification accuracy of 91.69%, specificity 92.81%, sensitivity 76.95%, and 56.67% F1-score. Based on results of this study, LSTM technique is highly recommended for the sentiment analysis of unstructured text-based user-generated content.

中文翻译：

---

人工神经网络技术在市场情报开发中的作用：某女装公司eWOM的情感分析研究

Web 2.0 技术使客户能够分享有关他们体验的电子口碑 (eWOM)。eWOM 为组织提供了很好的市场洞察力，对组织的成功很重要。由于内容的数量和频率很高，eWOM 监控和管理是组织当前面临的主要挑战之一。组织几乎不可能手动监控每个用户生成的内容。在本文中，我们提出情感分析作为分析实时数据中的情感和行为意图的替代方法。对从 Kaggle 数据存储库收集的女性电子服装评论进行情感分析。该数据集包含 23,486 条评论，包括十个特征变量。本研究应用人工神经网络技术来确定数据的正负极性。通过使用两个人工神经网络卷积神经网络 (CNN) 和长短期记忆 (LSTM) 进行情感分析，将评论分类为推荐（正面）或不推荐（负面）。已根据以下性能测量参数对所提出的模型进行了评估：准确性、召回率、特异性、F1 分数和 roc 曲线。LSTM 方法优于 CNN，实现了 91.69% 的分类准确率、92.81% 的特异性、76.95% 的灵敏度和 56.67% 的 F1-score。基于本研究的结果，强烈推荐 LSTM 技术用于基于非结构化文本的用户生成内容的情感分析。通过使用两个人工神经网络卷积神经网络 (CNN) 和长短期记忆 (LSTM) 进行情感分析，将评论分类为推荐（正面）或不推荐（负面）。已根据以下性能测量参数对所提出的模型进行了评估：准确率、召回率、特异性、F1 分数和 roc 曲线。LSTM 方法优于 CNN，实现了 91.69% 的分类准确率、92.81% 的特异性、76.95% 的灵敏度和 56.67% 的 F1-score。基于本研究的结果，强烈推荐 LSTM 技术用于基于非结构化文本的用户生成内容的情感分析。通过使用两个人工神经网络卷积神经网络 (CNN) 和长短期记忆 (LSTM) 进行情感分析，将评论分类为推荐（正面）或不推荐（负面）。已根据以下性能测量参数对所提出的模型进行了评估：准确性、召回率、特异性、F1 分数和 roc 曲线。LSTM 方法优于 CNN，实现了 91.69% 的分类准确率、92.81% 的特异性、76.95% 的灵敏度和 56.67% 的 F1-score。基于本研究的结果，强烈推荐 LSTM 技术用于基于非结构化文本的用户生成内容的情感分析。已根据以下性能测量参数对所提出的模型进行了评估：准确率、召回率、特异性、F1 分数和 roc 曲线。LSTM 方法优于 CNN，实现了 91.69% 的分类准确率、92.81% 的特异性、76.95% 的灵敏度和 56.67% 的 F1-score。基于本研究的结果，强烈推荐 LSTM 技术用于基于非结构化文本的用户生成内容的情感分析。已根据以下性能测量参数对所提出的模型进行了评估：准确性、召回率、特异性、F1 分数和 roc 曲线。LSTM 方法优于 CNN，实现了 91.69% 的分类准确率、92.81% 的特异性、76.95% 的灵敏度和 56.67% 的 F1-score。基于本研究的结果，强烈推荐 LSTM 技术用于基于非结构化文本的用户生成内容的情感分析。