論文の概要: Should I visit this place? Inclusion and Exclusion Phrase Mining from Reviews

• arxiv url: http://arxiv.org/abs/2012.10226v1
• Date: Fri, 18 Dec 2020 13:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-05-01 18:08:24.421848
• Title: Should I visit this place? Inclusion and Exclusion Phrase Mining from Reviews
• Title（参考訳）: この場所を訪ねましょうか。 レビューからの包含句と排他句のマイニング
• Authors: Omkar Gurjar and Manish Gupta
• Abstract要約: 我々は,観光地に関するレビューから,11の要因に関連する鉱毒包有物と排他的フレーズの問題に焦点をあてる。 1000の観光スポットに関連する2000のレビューのデータセットを使用して、私たちの広いレベルの分類器は、それぞれ包含または除外としてフレーズを分類するために$sim$80と$sim$82のバイナリ重複F1を提供します。
• 参考スコア（独自算出の注目度）: 4.251259231940703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although several automatic itinerary generation services have made travel planning easy, often times travellers find themselves in unique situations where they cannot make the best out of their trip. Visitors differ in terms of many factors such as suffering from a disability, being of a particular dietary preference, travelling with a toddler, etc. While most tourist spots are universal, others may not be inclusive for all. In this paper, we focus on the problem of mining inclusion and exclusion phrases associated with 11 such factors, from reviews related to a tourist spot. While existing work on tourism data mining mainly focuses on structured extraction of trip related information, personalized sentiment analysis, and automatic itinerary generation, to the best of our knowledge this is the first work on inclusion/exclusion phrase mining from tourism reviews. Using a dataset of 2000 reviews related to 1000 tourist spots, our broad level classifier provides a binary overlap F1 of $\sim$80 and $\sim$82 to classify a phrase as inclusion or exclusion respectively. Further, our inclusion/exclusion classifier provides an F1 of $\sim$98 and $\sim$97 for 11-class inclusion and exclusion classification respectively. We believe that our work can significantly improve the quality of an automatic itinerary generation service.
• Abstract（参考訳）: いくつかの自動的な旅程生成サービスによって旅行計画が容易になったが、旅行者は旅行で最善を尽くすことができないユニークな状況にあることが多い。 訪問者は、障害に苦しむこと、特定の食事の好みであること、幼児と旅行することなど、多くの要因で異なる。 ほとんどの観光地は普遍的だが、他は包括的ではない。 本稿では,観光地に関するレビューから,11の要因に関連する鉱毒包有物と排他的フレーズの問題に焦点をあてる。 観光データマイニングに関する既存の研究は、旅行関連情報の構造化抽出、パーソナライズされた感情分析、自動イチナリー生成に重点を置いているが、我々の知る限りでは、観光レビューからの包括的/排他的フレーズマイニングに関する最初の作業である。 1000の観光スポットに関する2000のレビューのデータセットを使用して、私たちのワイドレベル分類器は、各フレーズを包含または除外として分類するために$\sim$80と$\sim$82のバイナリオーバーラップF1を提供します。 さらに、包含/排他分類器は、それぞれ11クラス包含と排他分類に対して$\sim$98と$\sim$97のF1を提供する。 当社の作業は,自動イテレーション生成サービスの品質を著しく向上させることができると信じている。

関連論文リスト

• TraveLLaMA: Facilitating Multi-modal Large Language Models to Understand Urban Scenes and Provide Travel Assistance [48.12326709517022]
  本稿では,都市景観理解と旅行支援を目的とした多モーダル言語モデルTraveLLaMAを提案する。 我々の研究は、220万の質問応答ペアからなる新しい大規模データセットを通じて、実用的なAI旅行アシスタントを開発するという根本的な課題に対処する。
  論文  参考訳（メタデータ） (2025-04-23T08:32:25Z)
• Predicting Space Tourism Demand Using Explainable AI [0.0]
  本稿では,宇宙旅行需要予測の課題に対処するための,説明可能な信頼性の高い人工知能フレームワークを提案する。 本研究では,データにおける広範囲な依存関係を学習可能な,SpaceNetという新しい機械学習ネットワークを開発した。 調査の結果,旅行価格,年齢,年収,性別,死亡確率は,旅行希望の有無を決定する上で重要な特徴であることがわかった。
  論文  参考訳（メタデータ） (2025-03-05T02:18:31Z)
• ChinaTravel: A Real-World Benchmark for Language Agents in Chinese Travel Planning [50.7898120693695]
  ChinaTravelは、中国の旅行計画シナリオに特化して設計されたベンチマークである。 質問紙から旅行要求を収集し,構成的に一般化可能なドメイン特化言語を提案する。 実証研究により、旅行計画における神経象徴薬の可能性を明らかにし、27.9%の制約満足度を達成した。 我々は、オープン言語推論や未確認概念構成など、現実世界の旅行計画展開における重要な課題を特定します。
  論文  参考訳（メタデータ） (2024-12-18T10:10:12Z)
• Are Large Language Models Ready for Travel Planning? [6.307444995285539]
  大規模言語モデル (LLMs) は、宿泊や観光において有望であり、人口統計群にまたがるサービス提供能力は未だ不明である。 本稿では,LDMを旅行計画アシスタントとして利用する際の性別と民族的偏見について検討する。
  論文  参考訳（メタデータ） (2024-10-22T18:08:25Z)
• To the Globe (TTG): Towards Language-Driven Guaranteed Travel Planning [54.9340658451129]
  To the Globe(TTG)は、ユーザから自然言語要求を受け取り、それをシンボリックフォームに変換するリアルタイムのデモシステムである。 システム全体の応答に5秒を要し、保証されたイテナリでユーザ要求に応答する。 ユーザによる評価では、TTGは生成した繰り返しで35-40%のネットプロモータースコア(NPS)を一貫して達成する。
  論文  参考訳（メタデータ） (2024-10-21T19:30:05Z)
• Wireless Crowd Detection for Smart Overtourism Mitigation [50.031356998422815]
  この章では、モバイルデバイスのワイヤレスアクティビティに基づいたオーバツーリズムを監視するための、低コストなアプローチについて説明する。 群集センサは、無線技術のトレース要素を検出することで、周囲のモバイルデバイスの数をカウントする。 いくつかの技術で検出プログラムを実行し、指紋解析の結果は匿名データベースにのみローカルに保存される。
  論文  参考訳（メタデータ） (2024-02-14T13:20:24Z)
• Where Did the President Visit Last Week? Detecting Celebrity Trips from News Articles [10.821704400089637]
  本稿では,ニュース記事に基づいて有名人の旅行を検知するツールを提案する。 提案されたセレトリプはこれらのモジュールを共同で訓練し、全てのベースラインモデルを上回っ、F1メートル法で82.53%を達成する。
  論文  参考訳（メタデータ） (2023-07-17T05:37:49Z)
• Forecasting Inter-Destination Tourism Flow via a Hybrid Deep Learning Model [7.769537533798236]
  ITF(Inter-Destination Tourism Flow, Inter-Destination Tourism Flow)は、目的地の役割の分類や訪問パターンのマイニングといった業務における観光管理に一般的に用いられている。 ITFの体積がマルチトラクションシステムの特徴にどのように影響されているかを理解するのは難しい。 ITF予測のためのグラフベースハイブリッドディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-05T03:48:12Z)
• On Guiding Visual Attention with Language Specification [76.08326100891571]
  注意をそらすのではなく,タスク関連機能に分類証拠を限定するためのアドバイスとして,ハイレベルな言語仕様を用いる。 この方法で空間的注意を監督することは、偏りのあるノイズのあるデータを用いた分類タスクの性能を向上させる。
  論文  参考訳（メタデータ） (2022-02-17T22:40:19Z)
• Recommending POIs for Tourists by User Behavior Modeling and Pseudo-Rating [3.839157829013354]
  観光客の多くは一度に数カ所の観光地を訪れており、これらのほとんどは新規観光客からのチェックインデータを持っていない。 従来のシステムでは、利用者の嗜好と人気、評判、カテゴリーに基づく類似性に基づいて観光スポットをランク付けしている。 観光客にPOIを推奨するメカニズムを提案する。
  論文  参考訳（メタデータ） (2021-10-13T06:21:41Z)
• Business analytics meets artificial intelligence: Assessing the demand effects of discounts on Swiss train tickets [0.12891210250935145]
  「スイス連邦鉄道が発行する列車券、いわゆるスーパーセーバー券に対する割引の需要効果を評価する。」 スーパーセーバーチケットの購入者の調査に基づくサンプルを検討し、購入行動を予測する顧客または旅行関連の特性を調査します。 割引率を1ポイント高めると、常に購入者の間で再スケジュールされた旅行のシェアが0.16ポイント増加します。
  論文  参考訳（メタデータ） (2021-05-04T11:29:54Z)
• BeBold: Exploration Beyond the Boundary of Explored Regions [66.88415950549556]
  本稿では,本質的報酬(IR)の簡便かつ効果的な基準として,逆訪問回数の規制的差異を提案する。 この基準は、エージェントが探索された地域の境界を越えて探索し、短視力や分離などのカウントベースの方法の一般的な問題を緩和するのに役立ちます。 その結果得られたBeBoldは、MiniGridの12の最も難しい手続き的タスクを、カリキュラムの学習なしにわずか120万の環境ステップで解決する。
  論文  参考訳（メタデータ） (2020-12-15T21:26:54Z)
• 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)
• Fast active learning for pure exploration in reinforcement learning [48.98199700043158]
  1/n$でスケールしたボーナスはより高速な学習率をもたらし、地平線への依存に関して既知の上限を改善します。 また, 停止時間の解析を改良することにより, 最良政体識別設定におけるサンプルの複雑さを$H$で改善できることも示している。
  論文  参考訳（メタデータ） (2020-07-27T11:28:32Z)

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。