要旨: 本論文では、注意機構付き双方向長短期記憶（Bidirectional Long Short-Term Memory: BiLSTM）モデルを用いて、Steamゲームのレビューに対する感情分類を調査する。著者らは、より大規模なSteamレビュー・コーパスからサンプリングした50,000件のレビューからなるデータセットを用いて、TF-IDFとPyCaret AutoMLに基づく従来の機械学習ベースラインと、PyTorchで実装した深層学習アプローチを比較する。提案するBiLSTM+Attentionモデルは、クラス不均衡に対処するためにクラス重み付きの交差エントロピーで学習され、テストセットで83%の精度および85%の加重F1スコアを達成し、否定的なレビューについては90%の再現率を示す。本論文では、感情を含む語を強調することで解釈可能性を示すための注意可視化も提示している。研究の結論として、BiLSTM+AttentionモデルはSteamレビューにおけるユーザの感情分析に有効であり、開発者がプレイヤーからのフィードバックを理解するのに役立つことが示される。
注意機構付きBiLSTMでSteamプラットフォームのゲームレビュー感情分類を強化
arXiv cs.CL / 2026/5/5
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- この論文は、Steamのゲームレビューを対象にした感情分類に、注意機構付き双方向LSTM（BiLSTM+Attention）手法を提案しています。
- 50,000件のレビューを用い、深層学習モデル（PyTorch実装）をTF-IDF + PyCaret AutoMLのベースラインと比較しています。
- BiLSTM+Attentionはクラス不均衡に対処するためクラス重み付き交差エントロピーで学習し、テストセットで83%の精度と85%の加重F1スコアを達成しています。さらにネガティブレビューでは90%の再現率を示しています。
- 注意の可視化により、感情に関わる単語を強調して予測の解釈可能性を高めています。
- 著者らは、このモデルがSteam上のユーザー感情分析に有効であり、開発者がプレイヤーのフィードバックを理解するのに役立つと結論づけています。
