Salah satu cara memberikan pengalaman dalam menggunakan barang adalah dengan memberikan ulasan. Setiap ulasan memiliki suatu nilai yang menunjukkan banyaknya orang yang merasa terbantu disebut helpful vote. Dengan melihat beberapa ulasan yang memiliki banyak helpful vote, pengguna dapat menghemat waktu yang biasanya dihabiskan ketika membaca semua ulasan. Tujuan Penelitian ini adalah memprediksi banyaknya helpful vote berdasarkan isi teks ulasan dengan model long short term memory dan gated recurrent unit. Penelitian ini mengasumsikan bahwa distribusi dari helpful vote tidak hanya berdistribusi normal, seperti kebanyakan model regresi lainnya, tetapi juga dapat berdistribusi dari keluarga EDM lainnya seperti distribusi eksponensial, gamma, inverse gaussian, dan wald. Namun seiring dengan bertambahnya data, ada kemungkinan bahwa distribusi data juga ikut berubah. Oleh karenanya, penelitian ini akan membuat model yang beradaptasi dengan perubahan distribusi data dari tiap sampling yang disebut LSTM-ADA dan GRU-ADA. Dengan mempertimbangkan umur ulasan, penelitian ini akan menggunakan dua sampling, adaptive window size dan adjusted cross validation. Hasilnya model yang memperhatikan distribusi data pada tiap iterasi sampling (LSTM-ADA dan GRU-ADA) memiliki performa MAE sebesar 0.01301 dan 0.01207 pada dataset AM1 dan pada dataset AM2, menunjukkan performa MAE sebesar 0.00248 dan 0.00254. Bila dibandingkan dengan model regresi yang berdistribusi normal, LSTM-ADA dan GRU-ADA memiliki performa yang lebih baik dari pada model regresi yang berdistribusi normal. kemudian performa dari sampling menunjukkan adaptive window size memiliki performa yang lebih baik ketimbang adjusted cross validation.
