The rapid growth of Web 2.0 has dra

The rapid growth of Web 2.0 has dramatically changed
the way that customers express their opinions and interact
with others. They are now encouraged to post comments
of products at merchant websites and share their experience
and knowledge with others via blogs and forums. In contrast to product descriptions provided by vendors, these customer reviews are natually more user-oriented: in a review,
customers describe a product in terms of purchasing scenarios and evaluate the product from a user’s point of view. Despite the fact that consumer’s evaluations can be very subjective, these comments are often considered more trustworthy than other traditional information source. However, due
to the large number of online reviews, sifting through the
reviews to formulate an unbiased decision can be daunting
and time-consuming.
Academics have recognized the importance of online
product reviews and have produced some important results
in review mining. However, most early work in this area
was primarily focused on determining the semantic orientation of reviews [3, 7, 9, 10]. Compared to sentiment mining, identifying the quality of online reviews has received
relatively less attention. A few recent studies along this
direction attempt to detect the spams or low-quality posts
that exist in online reviews. Jindal et al. [4] present a
categorization of spam reviews, and propose some novel
strategies to detect different types of spams. Liu et al. [6]
propose a classification-based approach to discriminate the
low-quality reviews from others, in the hope that such a filtering strategy can be incorporated to enhance the task of
opinion summarization. Our work can be considered complimentary to those studies in that the spam filtering model
can be used as a preprocessing step in our approach.
Besides, there are also studies forcusing on investigating
how the different content features may affect the quality of
reviews [2, 5, 11]. In those studies, a variety of the factors
that may affect the helpfulness of reviews are explored, but
most of them are related to the contents of the reviews only.
Some important factors which are essential to the helpfulness prediction, such as the expertise of the reviewers and
the timeliness of the reviews, are still missing. Furthermore,
most of those studies rely on off-the-shelf solutions, such as
SVM and logistic regression, to model the factors, which
may not account for the unique characteristics of each individual factor.
In this paper, we address those problems, and develop a
novel model called HelpMeter to measure the helpfulness
of reviews. In this model, we not only investigate the impact of the basic semantic content, such as syntactical features, but introduce other major factors that may effect the
review helpfulness rating, e.g., the reviewer’s expertise and
the timeliness. In addition, we explore the possibility of
devloping a prediction model that can capture the distinctive characteristics of various factors. To achieve that, w

Results (Indonesian) 1:

Pertumbuhan yang cepat Web 2.0 telah berubah secara dramatiscara bahwa pelanggan mengekspresikan pendapat mereka dan berinteraksidengan orang lain. Sekarang didorong untuk mengirim komentarproduk-produk di website pedagang dan berbagi pengalaman merekadan pengetahuan dengan orang lain melalui blog dan forum. Berbeda dengan deskripsi produk yang disediakan oleh vendor, ulasan pelanggan ini adalah secara lebih berorientasi pengguna: dalam sebuah review,Pelanggan menggambarkan produk dalam hal pembelian skenario dan mengevaluasi produk dari pengguna sudut pandang. Terlepas dari kenyataan bahwa konsumen evaluasi bisa sangat subjektif, komentar ini sering dianggap lebih dapat dipercaya daripada sumber tradisional informasi lain. Namun, karenauntuk sejumlah besar online review, memilah-milahUlasan tamu untuk merumuskan keputusan bias bisa menakutkandan memakan waktu.Akademisi telah mengakui pentingnya onlinereview produk dan telah menghasilkan beberapa hasil yang pentingdalam tinjauan pertambangan. Namun, paling awal bekerja di daerah initerutama terfokus pada menentukan semantik orientasi ulasan [3, 7, 9, 10]. Dibandingkan dengan sentimen pertambangan, mengidentifikasi kualitas online review telah menerimaperhatian relatif kurang. Beberapa studi terbaru sepanjang iniArah usaha untuk mendeteksi spam atau posting berkualitas rendahyang ada di online review. Jindal et al. [4] hadirkategorisasi spam ulasan, dan mengusulkan beberapa novelstrategi untuk mendeteksi jenis spam. Liu et al. [6]mengusulkan pendekatan berbasis klasifikasi untuk melakukan diskriminasikualitas rendah ulasan dari orang lain, dengan harapan bahwa suatu strategi penyaringan dapat dimasukkan untuk meningkatkan tugassummarization pendapat. Pekerjaan kami dapat dianggap gratis-studi dalam model penyaringan spamdapat digunakan sebagai langkah preprocessing dalam pendekatan kami.Selain itu, ada juga studi forcusing pada investigasibagaimana fitur konten yang berbeda dapat mempengaruhi kualitasUlasan [2, 5, 11]. Dalam studi tersebut, berbagai faktoryang dapat mempengaruhi menolong ulasan dieksplorasi, tetapisebagian besar dari mereka yang berhubungan dengan isi ulasan hanya.Beberapa faktor penting yang penting untuk prediksi menolong, seperti keahlian penelaah danketepatan waktu Tinjauan, masih hilang. Selain itu,sebagian besar studi mereka mengandalkan solusi off, sepertiSVM dan regresi logistik, untuk model faktor, yangmungkin tidak memperhitungkan karakteristik unik dari setiap individu faktor.Dalam tulisan ini, kita mengatasi masalah tersebut, dan mengembangkanmodel baru yang disebut HelpMeter untuk mengukur menolongReview. Dalam model ini, kita tidak hanya menyelidiki dampak semantik konten dasar, seperti sintaksis fitur, tetapi memperkenalkan faktor utama lainnya yang mungkin efekmeninjau menolong rating, misalnya, reviewer's keahlian danketepatan waktu. Selain itu, kita mengeksplorasi kemungkinandevloping model prediksi yang dapat menangkap karakteristik khas dari berbagai faktor. Untuk mencapai itu, w

Results (Indonesian) 2:

Pesatnya pertumbuhan Web 2.0 telah secara dramatis mengubah
cara pelanggan mengekspresikan pendapat mereka dan berinteraksi
dengan orang lain. Mereka sekarang didorong untuk menulis komentar
produk di website merchant dan berbagi pengalaman mereka
dan pengetahuan dengan orang lain melalui blog dan forum. Berbeda dengan deskripsi produk yang disediakan oleh vendor, ulasan pelanggan ini natually lebih berorientasi pengguna: di review,
pelanggan menggambarkan produk dalam hal skenario pembelian dan mengevaluasi produk dari sudut pengguna pandang. Terlepas dari kenyataan bahwa evaluasi konsumen bisa sangat subjektif, komentar ini sering dianggap lebih dapat dipercaya daripada sumber informasi tradisional lainnya. Namun, karena
banyaknya tinjauan online, memilah-milah
ulasan untuk merumuskan keputusan berisi dapat menakutkan
dan memakan waktu.
Akademisi telah mengakui pentingnya secara online
review produk dan telah menghasilkan beberapa hasil penting
dalam review pertambangan. Namun, sebagian besar karya awal di daerah ini
terutama difokuskan pada penentuan orientasi semantik tinjauan [3, 7, 9, 10]. Dibandingkan dengan pertambangan sentimen, mengidentifikasi kualitas ulasan online telah menerima
relatif kurang perhatian. Sebuah studi terbaru di sepanjang beberapa ini
upaya arah untuk mendeteksi spam atau posting berkualitas rendah
yang ada di ulasan online. Jindal et al. [4] menyajikan
kategorisasi ulasan spam, dan mengusulkan beberapa Novel
strategi untuk mendeteksi berbagai jenis spam. Liu et al. [6]
mengusulkan pendekatan berbasis klasifikasi-untuk membedakan
ulasan berkualitas rendah dari orang lain, dengan harapan bahwa seperti strategi penyaringan dapat dimasukkan untuk meningkatkan tugas
pendapat summarization. Pekerjaan kami dapat dianggap gratis untuk mereka studi dalam spam Model filtering
dapat digunakan sebagai langkah preprocessing dalam pendekatan kami.
Selain itu, ada juga studi forcusing pada menyelidiki
bagaimana fitur konten yang berbeda dapat mempengaruhi kualitas dari
ulasan [2, 5 , 11]. Dalam studi tersebut, berbagai faktor
yang dapat mempengaruhi menolong ulasan dieksplorasi, namun
kebanyakan dari mereka terkait dengan isi dari tinjauan saja.
Beberapa faktor penting yang penting untuk prediksi menolong, seperti keahlian dari pengulas dan
ketepatan waktu dari ulasan, masih hilang. Selanjutnya,
sebagian besar studi mereka mengandalkan solusi off-the-rak, seperti
SVM dan regresi logistik, untuk model faktor, yang
mungkin tidak memperhitungkan karakteristik unik dari masing-masing faktor individu.
Dalam makalah ini, kami membahas masalah tersebut, dan mengembangkan
model yang baru yang disebut HelpMeter untuk mengukur menolong
tinjauan. Dalam model ini, kita tidak hanya menyelidiki dampak dari isi semantik dasar, seperti fitur sintaksis, tetapi memperkenalkan faktor utama lain yang mungkin mempengaruhi
Peringkat dari menolong, misalnya, keahlian resensi dan
ketepatan waktu. Selain itu, kami menjajaki kemungkinan
devloping model prediksi yang dapat menangkap karakteristik khas dari berbagai faktor. Untuk mencapai itu, w