論文の概要: E-commerce Query-based Generation based on User Review
- arxiv url: http://arxiv.org/abs/2011.05546v1
- Date: Wed, 11 Nov 2020 04:58:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:31:54.535647
- Title: E-commerce Query-based Generation based on User Review
- Title（参考訳）: ユーザレビューに基づくeコマースクエリベース生成
- Authors: Yiren Liu, Kuan-Ying Lee
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.484852576248587
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increasing number of merchandise on e-commerce platforms, users tend
to refer to reviews of other shoppers to decide which product they should buy.
However, with so many reviews of a product, users often have to spend lots of
time browsing through reviews talking about product attributes they do not care
about. We want to establish a system that can automatically summarize and
answer user's product specific questions.
In this study, we propose a novel seq2seq based text generation model to
generate answers to user's question based on reviews posted by previous users.
Given a user question and/or target sentiment polarity, we extract aspects of
interest and generate an answer that summarizes previous relevant user reviews.
Specifically, our model performs attention between input reviews and target
aspects during encoding and is conditioned on both review rating and input
context during decoding. We also incorporate a pre-trained auxiliary rating
classifier to improve model performance and accelerate convergence during
training. Experiments using real-world e-commerce dataset show that our model
achieves improvement in performance compared to previously introduced models.
- Abstract（参考訳）: 電子商取引プラットフォーム上の商品の増加に伴い、ユーザーは購入する商品を決定するために他の買い物客のレビューを参照する傾向にある。
しかし、製品のレビューが多すぎると、ユーザはレビューを閲覧して、気に入らない製品属性について話すのに多くの時間を費やさなければなりません。
ユーザの製品固有の質問を自動的に要約して答えるシステムを確立したい。
本研究では,前者の投稿した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新しいseq2seq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を考慮し、関心の側面を抽出し、過去のユーザレビューを要約した回答を生成する。
具体的には,エンコード中に入力レビューと対象アスペクトの間に注意を向け,デコード時にレビューレーティングと入力コンテキストの両方を条件とする。
また,事前学習型補助評価分類器を導入し,モデル性能の向上と訓練時の収束促進を図る。
実世界のeコマースデータセットを用いた実験により,本モデルは従来導入したモデルと比較して性能が向上することを示した。
関連論文リスト
- Centrality-aware Product Retrieval and Ranking [14.710718676076327]
本稿では,ユーザの検索クエリに関連する製品ランキングを強化することで,eコマースプラットフォーム上でのユーザエクスペリエンス向上の課題に対処する。
eBayのサンプルをキュレートし、購入者中心の関連スコアと集中度スコアを手作業でアノテートしました。
本稿では,既存モデルに対するユーザインテリジェンス中心性最適化(UCO)アプローチを提案する。
論文 参考訳（メタデータ） (2024-10-21T11:59:14Z) - Disentangling Likes and Dislikes in Personalized Generative Explainable Recommendation [26.214148426964794]
ユーザの感情に焦点をあてた新しいデータセットと評価手法を導入する。
購入後のレビューから,ユーザの肯定的,否定的な意見を明示的に抽出し,データセットを構築する。
生成した説明文がユーザの感情に合致するかどうかに基づいてシステムを評価することを提案する。
論文 参考訳（メタデータ） (2024-10-17T06:15:00Z) - What if you said that differently?: How Explanation Formats Affect Human Feedback Efficacy and User Perception [53.4840989321394]
我々は,QAモデルが生成した有理性の効果を分析し,その答えを支持する。
ユーザに対して,様々な形式で誤った回答とそれに対応する有理性を提示する。
このフィードバックの有効性を,文脈内学習を通じて評価する。
論文 参考訳（メタデータ） (2023-11-16T04:26:32Z) - 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) - Factual and Informative Review Generation for Explainable Recommendation [41.403493319602816]
先行モデルの生成されたコンテンツは、しばしば事実の幻覚を含む。
提案手法は,検索したコンテンツと生成のためのパラメトリック知識の併用による最近の成功にインスパイアされ,パーソナライズされた検索機能を備えたジェネレータを提案する。
Yelp、TripAdvisor、Amazon Movie Reviewsのデータセットでの実験は、我々のモデルが既存のレビューをより確実に複雑にし、より多様性があり、人間の評価者によってより有益であると評価された説明を生成できることを示している。
論文 参考訳（メタデータ） (2022-09-12T16:46:47Z) - Towards Personalized Answer Generation in E-Commerce via
Multi-Perspective Preference Modeling [62.049330405736406]
Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。
なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。
PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
論文 参考訳（メタデータ） (2021-12-27T07:51:49Z) - 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) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-02-16T02:08:52Z) - Meaningful Answer Generation of E-Commerce Question-Answering [77.89755281215079]
eコマースポータルでは、製品関連の質問に対する回答を生成することが重要な課題となっている。
本稿では,MPAG(Meaningful Product Answer Generator)と呼ばれる新しい生成ニューラルモデルを提案する。
MPAGは、製品レビュー、製品属性、プロトタイプの回答を考慮に入れて、安全な回答問題を緩和します。
論文 参考訳（メタデータ） (2020-11-14T14:05:30Z) - 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)
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。