Automating Complaints Processing in the Food and Economic Sector: A Classification Approach

Magalhães, Gustavo; Faria, Brígida Mónica; Reis, Luís Paulo; Cardoso, Henrique Lopes; Caldeira, Cristina; Oliveira, Ana Maria Caldeira

doi:10.1007/978-3-030-45691-7_41

Cited by 3 publications

(3 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Los modelos recurren a la Tokenización, que consiste en representar las oraciones en unidades normalmente separadas por espacios en blanco. Por ejemplo [23] realizan este proceso para posteriormente remover los stopwords de tal forma que eviten impactos negativos en la tarea de clasificación, por otro lado [10] tokenizaron el corpus y aplicaron normalización, stemming y lemmatización para reducir los términos del vocabulario, removieron los stopwords y convirtieron el resultado a Term frequency -Inverse document frequency (TF-IDF) [24], proponen una arquitectura multinivel, como consecuencia de realizar dos tipos de procesamiento de tweets, en una primera etapa análisis de sentimientos, implementaron tres algoritmos deep learning LSTM, Bi-LSTM y CNN para identificar los tweets negativos, que, en una segunda etapa son la materia prima para la clasificación de quejas implementada con BERT uncased.…”

Section: Figura 3 Coocurrencia De Palabras De Acuerdo a Complaint Cla...unclassified

“…Asimismo [23] realizaron una investigación acerca del sector alimentos y economía, en este caso agruparon los resultados en cuatro categorías de acuerdo a la información de la Economic and Food Safety Authority (ASAE), estas son: food safety, regard economic offenses (FisEc -purchasing power parity), regard economic offenses (FisEc -business corporation), complains out food or economic fields, es de apreciar que las salidas son de carácter jerárquico.…”

Section: Algoritmounclassified

See 1 more Smart Citation

Clasificación de quejas de los clientes empleando procesamiento de lenguaje natural: revisión sistemática de la literatura

Flores Poma

2023

Rev peru comput sist

View full text Add to dashboard Cite

Un cliente insatisfecho por algún producto y/o servicio se encuentra motivado a expresar una queja. Clasificar las quejas de forma manual es un proceso que representa elevados costos en recursos humanos y materiales. La Inteligencia Artificial (IA) permite el uso de diversos algoritmos para realizar tareas que pueden simular la inteligencia humana, una rama de esta es el Procesamiento de Lenguaje Natural (NLP por sus siglas en inglés), tiene por objetivo que las máquinas tengan la capacidad de entender lenguaje humano, permitiendo, por ejemplo clasificar y categorizar datos de forma automática. Este artículo proporciona una revisión sistemática de la literatura abordando desafíos en la clasificación de textos de queja, tales como la falta de balance de clases, la presencia de datos sin etiquetar y la interpretación de los resultados de los modelos. Se exploran técnicas de pre procesamiento, como la tokenización, la remoción de stopwords y la lematización, que influyen en el rendimiento de los modelos. Adicionalmente, se discuten las métricas de rendimiento como precision, recall y F1-score. Se muestran las tendencias actuales y futuras líneas de investigación. Para tal fin se analizaron 24 artículos publicados entre 2018 y 2023 extraídas de las bases de datos de Web of Science y Scopus.

show abstract

Section: Figura 3 Coocurrencia De Palabras De Acuerdo a Complaint Cla...unclassified

Section: Algoritmounclassified

Clasificación de quejas de los clientes empleando procesamiento de lenguaje natural: revisión sistemática de la literatura

Flores Poma

2023

Rev peru comput sist

View full text Add to dashboard Cite

show abstract

“…This information can be used by ML algorithms for the classification, identification, and forecasting of food safety events. Relevant studies mainly focus on risk assessment (Song et al, 2020), classification of food safety events (Barbosa et al, 2019;Goldberg et al, 2020;Magalhães et al, 2020;Maharana et al, 2019), and the design of food safety warning systems (Chang et al, 2020). Goldberg et al (2020) use text mining and supervised ML to rapidly screen online media for reports on food safety hazards.…”

Section: Food Safety Eventsmentioning

confidence: 99%

Application of machine learning to the monitoring and prediction of food safety: A review

Wang

Bouzembrak

Lansink

et al. 2021

Comp Rev Food Sci Food Safe

View full text Add to dashboard Cite

Machine learning (ML) has proven to be a useful technology for data analysis and modeling in a wide variety of domains, including food science and engineering. The use of ML models for the monitoring and prediction of food safety is growing in recent years. Currently, several studies have reviewed ML applications on foodborne disease and deep learning applications on food. This article presents a literature review on ML applications for monitoring and predicting food safety. The paper summarizes and categorizes ML applications in this domain, categorizes and discusses data types used for ML modeling, and provides suggestions for data sources and input variables for future ML applications. The review is based on three scientific literature databases: Scopus, CAB Abstracts, and IEEE. It includes studies that were published in English in the period from January 1, 2011 to April 1, 2021. Results show that most studies applied Bayesian networks, Neural networks, or Support vector machines. Of the various ML models reviewed, all relevant studies showed high prediction accuracy by the validation process. Based on the ML applications, this article identifies several avenues for future studies applying ML models for the monitoring and prediction of food safety, in addition to providing suggestions for data sources and input variables.

show abstract

An Implementation of Automated Service Request Desk for Hotel Industry

Divanshu

Gupta

et al. 2021

2021 9th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO)

View full text Add to dashboard Cite

Automating Complaints Processing in the Food and Economic Sector: A Classification Approach

Cited by 3 publications

References 19 publications

Clasificación de quejas de los clientes empleando procesamiento de lenguaje natural: revisión sistemática de la literatura

Clasificación de quejas de los clientes empleando procesamiento de lenguaje natural: revisión sistemática de la literatura

Application of machine learning to the monitoring and prediction of food safety: A review

An Implementation of Automated Service Request Desk for Hotel Industry

Contact Info

Product

Resources

About