Building a Chatbot System to Analyze Opinions of English Comments

Cover Page

Cite item

Full Text

Abstract

Chatbot research has advanced significantly over the years. Enterprises have been investigating how to improve these tools’ performance, adoption, and implementation to communicate with customers or internal teams through social media. Besides, businesses also want to pay attention to quality reviews from customers via social networks about products available in the market. From there, please select a new method to improve the service quality of their products and then send it to publishing agencies to publish based on the needs and evaluation of society. Although there have been numerous recent studies, not all of them address the issue of opinion evaluation on the chatbot system. The primary goal of this paper’s research is to evaluate human comments in English via the chatbot system. The system’s documents are preprocessed and opinion-matched to provide opinion judgments based on English comments. Based on practical needs and social conditions, this methodology aims to evolve chatbot content based on user inter-actions, allowing for a cyclic and human-supervised process with the following steps to evaluate comments in English. First, we preprocess the input data by collecting social media comments, and then our system parses those comments according to the rating views for each topic covered. Finally, our system will give a rating and comment result for each comment entered into the system. Experiments show that our method can improve accuracy better than the referenced methods by 78.53%.

About the authors

H. V Nguyen

East Asia University of Technology

Author for correspondence.
Email: hungnv@eaut.edu.vn
Ky Phu - Ky Anh -

N. Tan

East Asia University of Technology

Email: tan25102000@gmail.com
Trung Dung - Tien Lu -

N. H Quan

East Asia University of Technology

Email: quan31nd@gmail.com
Xuan Thanh, Xuan Huong -

T. T Huong

Hanoi University of Science and Technology

Email: huong.truongthu@hust.edu.vn
Dai Co Viet St. 1

N. H Phat

Hanoi University of Science and Technology

Email: phat.nguyenhuu@hust.edu.vn
Dai Co Viet St. 1

References

  1. Scholz T., Conrad S. Opinion mining in newspaper articles by entropy-based word connections. Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing. Seattle, Washington, USA: Association for Computational Linguistics, 2013. pp. 1828–1839.
  2. Feldman R. Techniques and applications for sentiment analysis. Communications of the ACM. 2013. vol. 56. pp. 82–89.
  3. Mauldin M. Chatbot. Available at: https://en.wikipedia. org/wiki/Chatbot. (accessed: 10.11.2022).
  4. Ganesan M., Deepika C., HarievashiniB., Krithikha A., Lokhratchana B. A survey on chatbots using artificial intelligence. International Conference on System, Computation, Automation and Networking (ICSCAN). 2020. pp. 1–5.
  5. Singh S., Kaur M., Tanwar P., Sharma S. Design and development of conversational chatbot for covid-19 using nlp: an ai application. 6th International Conference on Computing Methodologies and Communication (ICCMC). 2022. pp. 1654–1658.
  6. Liu F., Yang X., Wang Y. An interactive chatbot for university open day. IEEE 13th International Conference on Software Engineering and Service Science (ICSESS). 2022. pp. 214–217.
  7. Rawat B., Bist A., Rahardja U., Aini Q., Ayu Sanjaya Y. Recent deep learning based nlp techniques for chatbot development: An exhaustive survey. 10th International Conference on Cyber and IT Service Management (CITSM). 2022. pp. 1–4.
  8. Garg R., Riya R., Thakur S., Tyagi N., Basha K., Vij D., Sodhi G. Nlp based chatbot for multiple restaurants. 10th International Conference on System Modeling Advancement in Research Trends (SMART). 2021. pp. 439–443.
  9. Wahal A., Aggarwal M., Poongodi T. Iot based chatbots using nlp and svm algorithms. 3rd International Conference on Intelligent Engineering and Management (ICIEM). 2022. pp. 484–489.
  10. Adam M., Wessel M., Benlian A. AI-based chatbots in customer service and their effects on user compliance. Electronic Markets. 2021. vol. 31. no. 2. pp. 427–445.
  11. Ceuca L., Rednic A., Chifu E. Safer museum guide interaction during a pandemic and further using nlp in human interactive museum visits: Museum guide chatbot. IEEE 17th International Conference on Intelligent Computer Communication and Processing (ICCP). 2021. pp. 313–318.
  12. Smutny P., Schreiberova P. Chatbots for learning: A review of educational chatbots for the facebook messenger. Computers Education. 2020. vol. 151. p. 103862.
  13. Purohit J., Bagwe A., Mehta R., Mangaonkar O., George E. Natural language processing based jaro-the interviewing chatbot. 3rd International Conference on Computing Methodologies and Communication (ICCMC). 2019. pp. 134–136.
  14. Srivastava P., Singh N. Automatized medical chatbot (medibot). International Conference on Power Electronics IoT Applications in Renewable Energy and its Control (PARC). 2020. pp. 351–354.
  15. Polignano M., Narducci F., Iovine A., Musto C., De Gemmis M., Semeraro G., Healthassistantbot: A personal health assistant for the italian language. IEEE Access. 2020. vol. 8. pp. 107479–107497.
  16. Kumari S., Naikwadi Z., Akole A., Darshankar P. Enhancing college chat bot assistant with the help of richer human computer interaction and speech recognition. International Conference on Electronics and Sustainable Communication Systems (ICESC). 2020. pp. 427–433.
  17. Ait-Mlouk A., Jiang L. Kbot: A knowledge graph based chatbot for natural language understanding over linked data. IEEE Access. 2020. vol. 8. pp. 149220–149230.
  18. Makhkamova O., Lee K.-H., Do K., Kim D. Deep learning-based multi-chatbot broker for qa improvement of video tutoring assistant. IEEE International Conference on Big Data and Smart Computing (BigComp). 2020. pp. 221–224.
  19. Nguyen Huu P., Do Manh C., Nguyen Trong H. Proposing chatbot model for managing comments in vietnam,” in Industrial Networks and Intelligent Systems. Eds. N.-S. Vo, V.-P. Hoang, Q.-T. Vien. Cham: Springer International Publishing, 2021. pp. 287–297.
  20. Sinha S., Basak S., Dey Y., Mondal A. An educational chatbot for answering queries. Emerging technology in modelling and graphics. Springer, 2020. pp. 55–60.
  21. Selvi V., Saranya S., Chidida K., Abarna R. Chatbot and bullyfree chat. IEEE International Conference on System, Computation, Automation and Networking (ICSCAN). 2019. pp. 1–5.
  22. Miklosik A., Evans N., Qureshi A. The use of chatbots in digital business transformation: A systematic literature review. IEEE Access. 2021. vol. 9. pp. 106530–106539.
  23. Daniel G., Cabot J., Deruelle L., Derras M. Xatkit: A multimodal low-code chatbot development framework,” IEEE Access, 2020. vol. 8. pp. 15332–15346.
  24. Santos G., De Andrade G., Silva G., Duarte F., Costa J., De Sousa R. A conversation-driven approach for chatbot management. IEEE Access. 2022. vol. 10. pp. 8474–8486.
  25. Medeiros L., Bosse T. Gerritsen C. Can a chatbot comfort humans? studying the impact of a supportive chatbot on users’ self-perceived stress. IEEE Transactions on Human-Machine Systems. 2022. vol. 52. no. 3. pp. 343–353.
  26. Abdellatif A., Badran K., Costa D., Shihab E. A comparison of natural language understanding platforms for chatbots in software engineering. IEEE Transactions on Software Engineering. 2022. vol. 48. no. 8. pp. 3087–3102.
  27. Zhang L., Yang Y., Zhou J., Chen C., He L. Retrieval-polished response generation for chatbot,” IEEE Access. 2020. vol. 8. pp. 123882–123890.
  28. Ren R., Perez-Soler S., Castro J., Dieste O., Acuna S. Using the socio chatbot for uml modeling: A second family of experiments on usability in academic settings. IEEE Access. 2022. vol. 10. pp. 130542–130562.
  29. The stanford natural language processing (nlp). Available at: https://nlp.stanford.edu/software/tagger.shtml. (accessed: 02.11.2022).
  30. Nicolov N., Salvetti F., Ivanova S. Sentiment analysis: Does coreference matter. AISB 2008 convention communication, interaction and social intelligence. 2008. vol. 1. p. 37.
  31. Kanayama H., Nasukawa T., Watanabe H. Deeper sentiment analysis using machine translation technology. COLING 2004: Proceedings of the 20th International Conference on Computational Linguistics. 2004. pp. 494–500.
  32. Hu M., Liu B. Mining and summarizing customer reviews. Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining. 2004. pp. 168–177.
  33. Ko M.-C., Lin Z.-H. Cardbot: A chatbot for business card management. Proceedings of the 23rd International Conference on Intelligent User Interfaces Companion, ser. IUI ’18 Companion. New York, NY, USA: Association for Computing Machinery, 2018. Available at: https://doi.org/10.1145/3180308.3180313. (accessed: 02.11.2022).
  34. English tense system. Available at: https://www.englishclub.com/grammar/verbtenses-system.htm. (accessed: 10.11.2022).
  35. Narayanan R., Liu B., Choudhary A. Sentiment analysis of conditional sentences. Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing. Singapore: Association for Computational Linguistics. 2009. pp. 180–189.
  36. Liu Q., Gao Z., Liu B., Zhang Y. Automated rule selection for aspect extraction in opinion mining,” in Proceedings of the 24th International Conference on Artificial Intelligence, ser. IJCAI’15. AAAI Press, 2015. p. 1291–1297.
  37. Kasthuri E., Balaji S. A chatbot for changing lifestyle in education. Third International Conference on Intelligent Communication Technologies and Virtual Mobile Networks (ICICV). 2021. pp. 1317–1322.
  38. Dharani M., Jyostna J., Sucharitha E., Likitha R., Manne S. Interactive transport enquiry with ai chatbot. 4th International Conference on Intelligent Computing and Control Systems (ICICCS). 2020. pp. 1271–1276.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».