論文の概要: Predicting Helpfulness of Online Reviews
- arxiv url: http://arxiv.org/abs/2008.10129v1
- Date: Sun, 23 Aug 2020 23:19:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 03:04:08.990239
- Title: Predicting Helpfulness of Online Reviews
- Title（参考訳）: オンラインレビューの有益性予測
- Authors: Abdalraheem Alsmadi, Shadi AlZu'bi, Mahmoud Al-Ayyoub, Yaser Jararweh
- Abstract要約: 本稿では,オンラインレビューの有用性を予測するための機械学習(ML)モデルを提案する。
教師付き学習アプローチ、半教師付きアプローチ、事前訓練された単語埋め込みモデルである。
その結果,提案するDLアプローチは従来のDLアプローチよりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 11.94034383561704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: E-commerce dominates a large part of the world's economy with many websites
dedicated to online selling products. The vast majority of e-commerce websites
provide their customers with the ability to express their opinions about the
products/services they purchase. These feedback in the form of reviews
represent a rich source of information about the users' experiences and level
of satisfaction, which is of great benefit to both the producer and the
consumer. However, not all of these reviews are helpful/useful. The traditional
way of determining the helpfulness of a review is through the feedback from
human users. However, such a method does not necessarily cover all reviews.
Moreover, it has many issues like bias, high cost, etc. Thus, there is a need
to automate this process. This paper presents a set of machine learning (ML)
models to predict the helpfulness online reviews. Mainly, three approaches are
used: a supervised learning approach (using ML as well as deep learning (DL)
models), a semi-supervised approach (that combines DL models with word
embeddings), and pre-trained word embedding models that uses transfer learning
(TL). The latter two approaches are among the unique aspects of this paper as
they follow the recent trend of utilizing unlabeled text. The results show that
the proposed DL approaches have superiority over the traditional existing ones.
Moreover, the semi-supervised has a remarkable performance compared with the
other ones.
- Abstract（参考訳）: 電子商取引は世界の経済の大部分を占めており、オンライン販売に特化した多くのウェブサイトがある。
大部分のeコマースウェブサイトは顧客に対して、購入した製品やサービスについて意見を述べる機能を提供する。
これらのレビュー形式でのフィードバックは、ユーザの経験と満足度に関する豊富な情報ソースであり、プロデューサとコンシューマの両方にとって大きなメリットがあります。
しかし、これらのレビューはどれも役に立たない。
レビューの有用性を決定する従来の方法は、人間のユーザからのフィードバックを通じて行われる。
しかし、このような方法は必ずしもすべてのレビューをカバーするわけではない。
さらに、バイアスや高コストなど、多くの問題があります。
したがって、このプロセスを自動化する必要がある。
本稿では,オンラインレビューの有用性を予測するための機械学習(ML)モデルを提案する。
主に3つのアプローチが使用されている: 教師付き学習アプローチ(mlとディープラーニング(dl)モデル)、半教師付きアプローチ(dlモデルと単語埋め込みを組み合わせた)、および転送学習(tl)を使用する事前学習された単語埋め込みモデル。
後者の2つのアプローチは、最近のラベルなしテキストの利用傾向に従う中で、この論文のユニークな側面である。
その結果,提案するDLアプローチは従来のDLアプローチよりも優れていることがわかった。
さらに、半教師は他の教師に比べて顕著なパフォーマンスを持つ。
関連論文リスト
- Image Score: Learning and Evaluating Human Preferences for Mercari Search [2.1555050262085027]
大規模言語モデル(LLM)は、データラベリングタスクに積極的に研究され、使用されている。
本稿では,電子商取引環境における画像品質の評価と予測のためのコスト効率の高いLCM駆動手法を提案する。
LLMが生成したラベルはMercuri上でのユーザ行動と相関していることを示す。
論文 参考訳（メタデータ） (2024-08-21T05:30:06Z) - What Matters in Explanations: Towards Explainable Fake Review Detection Focusing on Transformers [45.55363754551388]
顧客のレビューとフィードバックは、Amazon、Zalando、eBayなどのEコマースプラットフォームにおいて重要な役割を果たす。
売り手が偽レビューやスパムレビューを投稿し、潜在的な顧客を欺き、製品に関する意見を操作しているという懸念が有力である。
本稿では,偽レビューを高精度に検出するための説明可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-24T13:26:02Z) - Show, Don't Tell: Aligning Language Models with Demonstrated Feedback [54.10302745921713]
Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。
我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
論文 参考訳（メタデータ） (2024-06-02T23:13:56Z) - AiGen-FoodReview: A Multimodal Dataset of Machine-Generated Restaurant
Reviews and Images on Social Media [57.70351255180495]
AiGen-FoodReviewは、20,144のレストランレビューイメージペアからなるデータセットである。
FLAVAで99.80%のマルチモーダル精度を達成し,一様・多モーダル検出モデルについて検討する。
この論文は、データセットをオープンソース化し、偽レビュー検出装置を公開し、非モーダルかつマルチモーダルな偽レビュー検出タスクでの使用を推奨し、合成データと真正データにおける言語的特徴と視覚的特徴を評価することで貢献する。
論文 参考訳（メタデータ） (2024-01-16T20:57:36Z) - UltraFeedback: Boosting Language Models with Scaled AI Feedback [99.4633351133207]
大規模で高品質で多様なAIフィードバックデータセットである textscUltraFeedback を提示する。
我々の研究は、強力なオープンソースのチャット言語モデルを構築する上で、スケールしたAIフィードバックデータの有効性を検証する。
論文 参考訳（メタデータ） (2023-10-02T17:40:01Z) - Opinion Spam Detection: A New Approach Using Machine Learning and
Network-Based Algorithms [2.062593640149623]
オンラインレビューは、消費者が製品やサービスを評価し比較する上で重要な役割を果たす。
偽レビュー(オピニオンスパム)が普及し、顧客やサービスプロバイダに悪影響を及ぼしている。
本稿では,機械学習とメッセージパッシングアルゴリズムを組み合わせて,レビュアーをスパマーや良心として分類する手法を提案する。
論文 参考訳（メタデータ） (2022-05-26T15:27:46Z) - E-commerce Query-based Generation based on User Review [1.484852576248587]
本稿では,従来のユーザによるレビューに基づいて,ユーザの質問に対する回答を生成するための新しいセク2seqベースのテキスト生成モデルを提案する。
ユーザの質問や感情の極性が与えられた場合,関心事の側面を抽出し,過去のユーザレビューを要約した回答を生成する。
論文 参考訳（メタデータ） (2020-11-11T04:58:31Z) - Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users'
Feedback [62.997667081978825]
本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。
ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
論文 参考訳（メタデータ） (2020-09-16T07:32:51Z) - Context-aware Helpfulness Prediction for Online Product Reviews [34.47368084659301]
本稿では,レビューの有用性を評価するニューラルディープ・ラーニング・モデルを提案する。
このモデルは畳み込みニューラルネットワーク(CNN)とコンテキスト認識符号化機構に基づいている。
我々は、人間の注釈付きデータセット上でモデルを検証し、その結果、既存のモデルよりも有益性予測に優れていたことを示す。
論文 参考訳（メタデータ） (2020-04-27T18:19:26Z) - An Information-Theoretic Approach to Personalized Explainable Machine
Learning [92.53970625312665]
本稿では,予測とユーザ知識のための簡易確率モデルを提案する。
説明と予測の間の条件付き相互情報による説明の効果を定量化する。
論文 参考訳（メタデータ） (2020-03-01T13:06:29Z)
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。