摘要
情感分析在分析客户反馈方面起着至关重要的作用，有助于识别市场趋势、优化产品推荐并提高客户满意度。本研究重点利用两个主要数据集（Fine Food Reviews和Unlocked Mobile Reviews）对亚马逊评论进行情感分析，这两个数据集存在标签不平衡的问题。为了解决这一问题，采用了过采样和欠采样技术来平衡数据集。研究应用了多种机器学习（ML）算法，包括随机森林（RF）、逻辑回归（LR）、支持向量机（SVM）、朴素贝叶斯（NB）和梯度提升机（GBM），以及深度学习（DL）模型，如卷积神经网络（CNN）、长短期记忆网络（LSTM）和基于Transformer的模型（如RoBERTa）。在数据清洗和预处理之后，对模型进行了训练并评估了其性能。结果表明，过采样显著提高了分类准确性，尤其是在Fine Food数据集上。在机器学习模型中，随机森林由于其集成方法和处理高维数据的鲁棒性而取得了最高的准确率。深度学习模型，尤其是RoBERTa，也表现出色，因为它们能够捕捉上下文依赖关系。研究结果强调了数据平衡对于实现最佳情感分析的重要性，并为推进电子商务应用中的自动化意见分类提供了宝贵的见解。
