This study presents a hybrid model that leverages the strengths of K-means clustering and Support Vector Machines (SVM) for classifying online product reviews. K-means is used to group reviews into clusters, reducing data complexity and improving feature extraction. Subsequently, SVM is employed to classify the clustered data into positive, negative, or neutral sentiments. The combined approach enhances classification accuracy, reduces computational cost, and effectively handles large datasets. Experimental results demonstrate that the proposed model outperforms traditional standalone...

In dieser Studie wird ein hybrides Modell vorgestellt, das die Stärken von K-means Clustering und Support Vector Machines (SVM) zur Klassifizierung von Online-Produktbewertungen nutzt. K-means wird verwendet, um Bewertungen in Clustern zu gruppieren, wodurch die Datenkomplexität reduziert und die Merkmalsextraktion verbessert wird. Anschließend wird SVM eingesetzt, um die geclusterten Daten in positive, negative oder neutrale Bewertungen zu klassifizieren. Der kombinierte Ansatz verbessert die Klassifizierungsgenauigkeit, reduziert die Rechenkosten und bewältigt effektiv große...

Cette étude présente un modèle hybride qui exploite les forces du regroupement K-means et des machines à vecteurs de support (SVM) pour classer les critiques de produits en ligne. K-means est utilisé pour regrouper les avis en grappes, ce qui réduit la complexité des données et améliore l'extraction des caractéristiques. Ensuite, les SVM sont utilisés pour classer les données regroupées en sentiments positifs, négatifs ou neutres. L'approche combinée améliore la précision de la classification, réduit les coûts de calcul et traite efficacement les grands ensembles de...