論文の概要: A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss

• arxiv url: http://arxiv.org/abs/2006.01592v2
• Date: Tue, 2 Feb 2021 08:56:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 00:31:11.425109
• Title: A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss
• Title（参考訳）: 不整合損失を伴うレビュー要約と感情分類のための統一的デュアルビューモデル
• Authors: Hou Pong Chan, Wang Chen, Irwin King
• Abstract要約: ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
• 参考スコア（独自算出の注目度）: 51.448615489097236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acquiring accurate summarization and sentiment from user reviews is an essential component of modern e-commerce platforms. Review summarization aims at generating a concise summary that describes the key opinions and sentiment of a review, while sentiment classification aims to predict a sentiment label indicating the sentiment attitude of a review. To effectively leverage the shared sentiment information in both review summarization and sentiment classification tasks, we propose a novel dual-view model that jointly improves the performance of these two tasks. In our model, an encoder first learns a context representation for the review, then a summary decoder generates a review summary word by word. After that, a source-view sentiment classifier uses the encoded context representation to predict a sentiment label for the review, while a summary-view sentiment classifier uses the decoder hidden states to predict a sentiment label for the generated summary. During training, we introduce an inconsistency loss to penalize the disagreement between these two classifiers. It helps the decoder to generate a summary to have a consistent sentiment tendency with the review and also helps the two sentiment classifiers learn from each other. Experiment results on four real-world datasets from different domains demonstrate the effectiveness of our model.
• Abstract（参考訳）: ユーザーレビューから正確な要約と感情を得ることは、現代のeコマースプラットフォームの重要な要素である。 レビュー要約は、レビューの重要な意見と感情を記述する簡潔な要約を生成することを目的としており、感情分類はレビューの感情態度を示す感情ラベルを予測することを目的としている。 レビュー要約と感情分類の両タスクにおいて,共有感情情報を効果的に活用するために,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 このモデルでは、エンコーダはまずレビューのコンテキスト表現を学習し、次に要約デコーダがレビュー要約語を単語毎に生成する。 その後、ソースビュー感情分類器は、エンコードされたコンテキスト表現を使用してレビューの感情ラベルを予測し、サマリビュー感情分類器はデコーダ隠蔽状態を使用して生成された要約の感情ラベルを予測する。 トレーニング中、これらの2つの分類器間の不一致を罰する不整合損失を導入する。 これはデコーダがレビューで一貫した感情傾向を持つために要約を生成するのを助け、2つの感情分類器が互いに学ぶのに役立つ。 異なる領域の4つの実世界のデータセットに対する実験結果は、我々のモデルの有効性を示す。

関連論文リスト

• Annotator in the Loop: A Case Study of In-Depth Rater Engagement to Create a Bridging Benchmark Dataset [1.825224193230824]
  本稿では,アノテーションのための新規かつ協調的かつ反復的なアノテーション手法について述べる。 以上の結果から,アノテータとの連携によりアノテーションの手法が強化されることが示唆された。
  論文  参考訳（メタデータ） (2024-08-01T19:11:08Z)
• Attributable and Scalable Opinion Summarization [79.87892048285819]
  我々は、頻繁なエンコーディングを復号することで抽象的な要約を生成し、同じ頻繁なエンコーディングに割り当てられた文を選択して抽出的な要約を生成する。 本手法は,要約プロセスの一部として要約を生成するために使用される文を同定するため,帰属的手法である。 なぜなら、アグリゲーションはトークンの長いシーケンスではなく、潜在空間で実行されるからである。
  論文  参考訳（メタデータ） (2023-05-19T11:30:37Z)
• Towards Personalized Review Summarization by Modeling Historical Reviews from Customer and Product Separately [59.61932899841944]
  レビュー要約(review summarization)は、Eコマースのウェブサイトで製品レビューのメインの考え方を要約することを目的とした、簡単ではないタスクである。 Heterogeneous Historical Review aware Review Summarization Model (HHRRS)を提案する。 我々は、レビュー感情分類と要約を共同で行うマルチタスクフレームワークを採用している。
  論文  参考訳（メタデータ） (2023-01-27T12:32:55Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• Hierarchical Bi-Directional Self-Attention Networks for Paper Review Rating Recommendation [81.55533657694016]
  本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。 具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。 我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
  論文  参考訳（メタデータ） (2020-11-02T08:07:50Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• Topic Detection and Summarization of User Reviews [6.779855791259679]
  本稿では,レビューと要約の両方を解析して,効果的な新しい要約手法を提案する。 製品レビューと約1028の製品からなる新しいデータセットが、AmazonとCNETから収集されている。
  論文  参考訳（メタデータ） (2020-05-30T02:19:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。