Onderzoek
ReviewGraph: knowledge graphs voor het voorspellen van reviewscores
Een onderzoeksframework dat klantreviews omzet in een knowledge graph en graafembeddings combineert met sentimentkenmerken om reviewscores te voorspellen. Peer-reviewed en gepresenteerd op ICKG 2025.
Het artikel
- Titel
- ReviewGraph: A Knowledge Graph Embedding Based Framework for Review Rating Prediction with Sentiment Features
- Auteurs
- A.J.W. de Vink, Natalia Amat-Lefort, Lifeng Han
- Gepubliceerd in
- 2025 IEEE International Conference on Knowledge Graph (ICKG), 13–14 november 2025, Limassol, Cyprus, blz. 43–50
- DOI
- 10.1109/ICKG66886.2025.00013
- Preprint
- arXiv:2508.13953 (ingediend 19 augustus 2025, herzien 15 november 2025)
- Oprichter van Vink Intelligence
- Bert de Vink is eerste auteur en publiceert als A.J.W. de Vink.
Wat het doet
ReviewGraph zet tekstuele klantreviews om in een knowledge graph door (onderwerp, predicaat, object)-triples te extraheren en er sentimentscores aan te koppelen.
Graafembeddings (Node2Vec) en sentimentkenmerken worden daarna door machine-learningclassifiers gebruikt om de reviewscore te voorspellen.
Het artikel vergelijkt dit met traditionele NLP-baselines (Bag of Words, TF-IDF, Word2Vec) en met grote taalmodellen, op de HotelRec-dataset.
Wat het artikel rapporteert
- Prestaties vergelijkbaar met het best presterende model uit de literatuur waarmee het vergelijkt, tegen lagere rekenkosten (zonder ensemble).
- Voorspellende prestaties vergelijkbaar met grote taalmodellen, en beter dan de baselines op overeenstemmingsmaten zoals Cohens Kappa.
- Extra voordelen in interpreteerbaarheid, visuele verkenning en mogelijke integratie in retrieval-augmented generation (RAG)-systemen.
Dit zijn de gerapporteerde resultaten van de auteurs, samengevat uit het abstract. Lees het artikel voor de volledige methode, data en beperkingen.
Opzet van het onderzoek
- Data: de eerste 10.000 reviews van de HotelRec-dataset (TripAdvisor), verdeeld over 59 hotels. Reviews met vijf sterren domineren, dus er zijn samplingstrategieën vergeleken.
- Graaf: triples uit de reviewtekst, opgeslagen in Neo4j, met per review het gemiddelde, minimum en maximum van het sentiment van de relaties. Node2Vec-embeddings zijn met meerdere dimensies getest.
- Vergelijking: Random Forest, logistische regressie en een neuraal netwerk op graafkenmerken, tegenover Bag of Words-, TF-IDF- en Word2Vec-baselines en een GPT-4o-model voor scorevoorspelling. Maten: accuracy, MAE, RMSE en Cohens Kappa.
Bevindingen uit het artikel
- De beste ReviewGraph-configuratie gebruikte 5 embeddingdimensies, oversampling en alle sentimentkenmerken (gemiddelde, minimum, maximum). Random Forest presteerde het best op ReviewGraph-kenmerken, maar niet op de baselines.
- Het toevoegen van minimum- en maximumsentiment verbeterde de accuracy en vooral Cohens Kappa. Node2Vec-embeddings alleen bevatten al veel voorspellende informatie.
- De auteurs rapporteren geen wezenlijk verschil tussen de beste baseline, het beste ReviewGraph-model en het LLM-model, met een Kappa vergelijkbaar met het LLM en een iets lagere accuracy.
Beperkingen en vervolgstappen
- De triple-extractie was ruw en leverde veel triples van lage kwaliteit op. De auteurs verwachten dat een gefinetuned LLM voor extractie helpt.
- Node2Vec moet opnieuw getraind worden zodra een node wordt toegevoegd. GraphSAGE en andere graph neural networks worden genoemd als vervolgwerk, net als GraphRAG-samenvattingen en evaluatie van de visualisatie door mensen.
Waarom het ertoe doet
ReviewGraph is het duidelijkste gepubliceerde voorbeeld van hoe wij met knowledge graphs werken: structuur die informatie verbindt, interpreteerbaar maakt en bruikbaar voor machine learning. Dezelfde aanpak past op andere domeinen, zoals de biomedische graphs in Vink Drug.
Onze knowledge-graphdiensten →Citeer dit werk
de Vink, A. J. W., Amat-Lefort, N. en Han, L. (2025). ReviewGraph: A Knowledge Graph Embedding Based Framework for Review Rating Prediction with Sentiment Features. In 2025 IEEE International Conference on Knowledge Graph (ICKG), blz. 43–50. doi:10.1109/ICKG66886.2025.00013
BibTeX
@inproceedings{devink2025reviewgraph,
title = {ReviewGraph: A Knowledge Graph Embedding Based Framework for Review Rating Prediction with Sentiment Features},
author = {de Vink, A. J. W. and Amat-Lefort, Natalia and Han, Lifeng},
booktitle = {2025 IEEE International Conference on Knowledge Graph (ICKG)},
year = {2025},
pages = {43--50},
doi = {10.1109/ICKG66886.2025.00013}
}