論文の概要: Adversarial Learning of Poisson Factorisation Model for Gauging Brand Sentiment in User Reviews

• arxiv url: http://arxiv.org/abs/2101.10150v1
• Date: Mon, 25 Jan 2021 14:58:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 05:36:16.239935
• Title: Adversarial Learning of Poisson Factorisation Model for Gauging Brand Sentiment in User Reviews
• Title（参考訳）: ユーザーレビューにおけるブランド感を測るためのポアソン因子モデルの逆学習
• Authors: Runcong Zhao and Lin Gui and Gabriele Pergola and Yulan He
• Abstract要約: 製品レビューからブランド関連極性軸受トピックを検出することを目的としたブランドトポリックモデル(BTM)を提案します。 BTMはブランド関連感情スコアを自動的に推測し、きめ細かい感情トピックを生成する。 amazon reviewsから構築されたデータセットで評価されている。
• 参考スコア（独自算出の注目度）: 15.047213517681936
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In this paper, we propose the Brand-Topic Model (BTM) which aims to detect brand-associated polarity-bearing topics from product reviews. Different from existing models for sentiment-topic extraction which assume topics are grouped under discrete sentiment categories such as `positive', `negative' and `neural', BTM is able to automatically infer real-valued brand-associated sentiment scores and generate fine-grained sentiment-topics in which we can observe continuous changes of words under a certain topic (e.g., `shaver' or `cream') while its associated sentiment gradually varies from negative to positive. BTM is built on the Poisson factorisation model with the incorporation of adversarial learning. It has been evaluated on a dataset constructed from Amazon reviews. Experimental results show that BTM outperforms a number of competitive baselines in brand ranking, achieving a better balance of topic coherence and uniqueness, and extracting better-separated polarity-bearing topics.
• Abstract（参考訳）: 本論文では、製品レビューからブランド関連極性保持トピックを検出することを目的としたブランドトポリックモデル(BTM)を提案する。 トピックが「ポジティブ」や「ネガティブ」や「ニューラル」などの別個の感情カテゴリでグループ化されていると仮定する既存の感情トピック抽出モデルとは異なり、BTMは、実際の価値のあるブランド関連感情スコアを自動的に推測し、特定のトピック(例えば「シェーバー」や「クリーム」など)の下で単語の連続的な変化を観察できるきめ細かい感情トピックを生成することができます。 BTMは、逆学習を取り入れたPoisson分解モデルに基づいて構築されている。 amazon reviewsから構築されたデータセットで評価されている。 実験の結果,BTMはブランドランキングにおいて多くの競争的ベースラインを上回り,トピックコヒーレンスとユニークさのバランスを良くし,ポーラリティを含むトピックをより分離したトピックを抽出した。

関連論文リスト

• Diverging Preferences: When do Annotators Disagree and do Models Know? [92.24651142187989]
  我々は,4つのハイレベルクラスにまたがる10のカテゴリにまたがる相違点の分類法を開発した。 意見の相違の大部分は、標準的な報酬モデリングアプローチに反対している。 本研究は,選好の変化を識別し,評価とトレーニングへの影響を緩和する手法を開発する。
  論文  参考訳（メタデータ） (2024-10-18T17:32:22Z)
• Language Model Preference Evaluation with Multiple Weak Evaluators [78.53743237977677]
  GED(Preference Graph Ensemble and Denoise)は、複数のモデルベースの評価器を活用して嗜好グラフを構築する新しいアプローチである。 GEDは,モデルランキング,応答選択,モデルアライメントタスクにおいて,ベースライン手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-14T01:57:25Z)
• Addressing Topic Leakage in Cross-Topic Evaluation for Authorship Verification [7.467445326172115]
  オーサシップ検証(AV)は、テキストのペアが同じ著者を持っているかどうかを特定することを目的としている。 従来の評価では、トレーニングとテストデータの重複が最小限に抑えられている。 我々は、まだテストデータにトピックリークがあり、誤ったモデル性能と不安定なランキングを引き起こしていると主張している。
  論文  参考訳（メタデータ） (2024-07-27T04:16:11Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
  抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。 提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
  論文  参考訳（メタデータ） (2023-11-16T02:56:29Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Tracking Brand-Associated Polarity-Bearing Topics in User Reviews [28.574971754268]
  dBTMは、時間的に順序付けられた時間間隔に整理された製品レビューから、ブランド関連感情スコアと極性を含むトピックを自動的に検出し、追跡することができる。 MakeupAlleyレビューとホテルレビューデータセットから構築されたデータセットで評価されている。
  論文  参考訳（メタデータ） (2023-01-03T18:30:34Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Synthesizing Adversarial Negative Responses for Robust Response Ranking and Evaluation [34.52276336319678]
  オープンドメインニューラルダイアログモデルは、応答のランク付けと評価タスクにおいて高い性能を達成している。 コンテンツ類似性への過度な依存は、モデルが不整合の存在に敏感でないようにする。 本稿では,逆負の学習データを自動生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T16:20:55Z)
• A Disentangled Adversarial Neural Topic Model for Separating Opinions from Plots in User Reviews [35.802290746473524]
  本稿では,ニューラルトピックモデルと敵対的トレーニングを組み合わせることで,プロットと中立的トピックから意見トピックを分離する手法を提案する。 本研究は,新たな映画・書評の収集とプロットの併用による評価を実験的に実施する。 改善されたコヒーレンスと多種多様なトピック、一貫した絡み合い率、および他の教師付きトピックモデルよりも優れた感情分類性能を示す。
  論文  参考訳（メタデータ） (2020-10-22T02:15:13Z)
• Generator and Critic: A Deep Reinforcement Learning Approach for Slate Re-ranking in E-commerce [17.712394984304336]
  本稿では,新しいジェネレータと批評スレートの再評価手法を提案する。 PPO探索と呼ばれる探索強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-25T16:24:01Z)

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。