Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards MyNewsletter Firmensuche
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
Sustainability in Automotive

Gesamtlebenszyklus wird immer wichtiger

In der Digitalkonferenz am 5. Dezember 2024 geht es um die wachsende Bedeutung der Kreislaufwirtschaft in der Automobilindustrie und wie nachhaltige Werkstoffe sowie wiederverwendbare Komponenten dazu beitragen können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Sentiment Analysis and Deep Learning Based Chatbot for User Feedback

verfasst von : Nivethan, Sriram Sankar

Erschienen in: Intelligent Communication Technologies and Virtual Mobile Networks

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Recently, the conversational agents like Chatbots are widely employed for achieving a better Human-Computer Interaction (HCI). In this paper, a retrieval based chatbot is designed using Natural Language Processing (NLP) techniques and a Multilayer Perceptron (MLP) neural network. The purpose of the chatbot is to extract user’s feedback based on the services provided to them. User feedback is a very essential component for the betterment of the service. Chatbot serves as a better interface for obtaining an appropriate user feedback. Furthermore, sentiment analysis is done on the feedback as a result a suitable response is delivered to the user. A Long Short Term Neural Network (LSTM) is used to classify the sentiment of the feedback.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Approach for Generating SQL Query Using Natural Language Processing
Nächstes Kapitel Semantic Concept Detection for Multilabel Unbalanced Dataset Using Global Features
Literatur
1.
Basari, A.S.H., Hussin, B., Ananta, I.G.P., Zeniarja, J.: Opinion mining of movie review using hybrid method of support vector machine and particle swarm optimisation. Procedia Eng. 53, 453–462 (2013)CrossRef
2.
3.
Bravo-Marquez, F., Mendoza, M., Poblete, B.: Combining strengths, emotions and polarities for boosting twitter sentiment analysis. In: Proceedings of the Second International Workshop on Issues of Sentiment Discovery and Opinion Mining, p. 2 (2013)
4.
5.
Khan, A.Z., Atique, M., Thakare, V.: Combining lexicon-based and learning based methods for twitter sentiment analysis. Int. J. Electron. Commun. Soft Comput. Sci. Eng. (IJECSCSE), 89 (2015)
6.
Lowe, R., Pow, N., Serban, I., Pineau, J.: The ubuntu dialogue corpus: a large dataset for research in unstructured multi-turn dialogue systems (2015). arXiv:​1506.​08909
7.
8.
Wang, H., Lu, Z., Li, H., Chen, E.: A dataset for research on short-text conversations. In: EMNLP, pp. 935–945 (2013)
9.
10.
Wu, Y., Wu, W., Li, Z., Zhou, M.: Topic augmented neural network for short text conversation. CoRR abs/1605.00090 (2016)
11.
12.
Zhou, X., Dong, D., Wu, H., Zhao, S., Yan, R., Yu, D., Liu, X., Tian, H.: Multiview response selection for human-computer conversation. In: EMNLP 2016 (2016)
Metadaten
Titel
Sentiment Analysis and Deep Learning Based Chatbot for User Feedback
verfasst von
Nivethan
Sriram Sankar
Copyright-Jahr
2020
Buch
Intelligent Communication Technologies and Virtual Mobile Networks

Print ISBN: 978-3-030-28363-6

Electronic ISBN: 978-3-030-28364-3

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-28364-3_22