Plate-forme en ligne Systèmes de réputation du marché

Cette recherche étudie la relation entre le score des critiques de texte, la longueur des critiques, le comportement des agents et les applications de transfert-apprentissage en construisant une mesure quantitative avec les critiques de texte en ligne Airbnb. Le premier essai se concentre sur l'étude des effets de la longueur de la critique sur le score de la critique textuelle. Il construit des scores numériques d'avis textuels en appliquant des techniques d'analyse de texte et d'apprentissage automatique à plus de trois millions d'avis textuels générés par les utilisateurs sur Airbnb. À l'aide de ces scores, cet essai analyse l'impact de la longueur de l'avis sur les scores des avis textuels et obtient un aperçu de la relation d'interaction entre le score des avis textuels, la longueur de l'avis, l'âge de l'avis et l'examinateur actif. Il constate une relation en forme de U inversé entre la longueur des critiques et les notes des critiques textuelles et une tendance à la baisse à long terme de la longueur des critiques textuelles sur toutes les plateformes en ligne. Cette recherche contribue au domaine de la réputation en ligne en construisant une mesure innovante de la réputation des critiques textuelles et un grand corpus de critiques étiquetées en ligne (c'est-à-dire la base de connaissances des critiques d'Airbnb), en étudiant les effets de la longueur des critiques sur les scores des critiques textuelles et en révélant une tendance à long terme de la longueur des critiques sur les plateformes en ligne. Le deuxième essai examine Cette recherche étudie la relation entre le score des critiques de texte, la longueur des critiques, le comportement des agents et les applications de transfert-apprentissage en construisant une mesure quantitative avec les critiques de texte en ligne Airbnb. Le premier essai se concentre sur l'étude des effets de la longueur de la critique sur le score de la critique textuelle. Il construit des scores numériques d'avis textuels en appliquant des techniques d'analyse de texte et d'apprentissage automatique à plus de trois millions d'avis textuels générés par les utilisateurs sur Airbnb. À l'aide de ces scores, cet essai analyse l'impact de la longueur de l'avis sur les scores des avis textuels et obtient un aperçu de la relation d'interaction entre le score des avis textuels, la longueur de l'avis, l'âge de l'avis et l'examinateur actif. Il constate une relation en forme de U inversé entre la longueur des critiques et les notes des critiques textuelles et une tendance à la baisse à long terme de la longueur des critiques textuelles sur toutes les plateformes en ligne. Cette recherche contribue au domaine de la réputation en ligne en construisant une mesure innovante de la réputation des critiques textuelles et un grand corpus de critiques étiquetées en ligne (c'est-à-dire la base de connaissances des critiques d'Airbnb), en étudiant les effets de la longueur des critiques sur les scores des critiques textuelles et en révélant une tendance à long terme de la longueur des critiques sur les plateformes en ligne. Le deuxième essai examine

Autorentext

El Dr. Xiangming Samuel Li es profesor de negocios en la University Canada West y candidato al doctorado en Ciencias de la Gestión de la University of Waterloo, Canadá. Ha recibido más de 23 años de experiencia en gestión intensiva en multinacionales mundiales de las TIC como Nortel, Nokia, Motorola, Saveje, BTI, Anhub y Linaro; y también participa activamente en acad