把投诉情感当连续分布测，揪出文本严重度与赔偿不一致的异常投诉
Distributional sentiment modeling and anomaly detection for consumer complaint assessment
📖 AI 总结
该研究针对消费者投诉文本中的负面情绪，提出了一种分布化建模与异常检测框架。作者将投诉叙述中的负面情绪强度视为有界连续变量，利用Transformer分类器打分，并以Beta分布拟合其整体分布，再通过KL散度和Hellinger距离比较有效投诉与无效投诉的分布差异。研究发现，两类投诉的情绪分布高度重叠，说明单靠负面情绪强度难以清晰区分投诉结果；但将情绪分布与金额、企业回应等属性结合后，可识别出文本严重程度与实际救济不一致的异常投诉，用于运营风险监测。该工作将情绪提取、有界响应建模与异常检测统一起来，为消费者投诉评估提供了超越离散标签的连续化分析思路。
🔑 关键词速览
| Beta分布 | 一种定义在[0,1]区间上的连续概率分布，常用于建模有界连续变量，如情感强度评分。 |
| Kullback-Leibler散度 | 一种衡量两个概率分布之间差异的非对称度量，常用于比较分布间的信息损失。 |
| 平方Hellinger距离 | 一种对称的距离度量，用于量化两个概率分布之间的相似性，对分布重叠敏感。 |
| Transformer分类器 | 基于自注意力机制的深度学习模型，用于文本分类任务，如情感评分。 |
| 异常诊断 | 通过分析数据分布与关联属性，识别与预期模式不一致的异常案例的过程。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅