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
- Bring Your Own Data! Self-Supervised Evaluation for Large Language
Models [52.15056231665816]
大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。
閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。
自己監督評価と人監督評価との間には強い相関関係が認められた。
論文 参考訳(メタデータ) (2023-06-23T17:59:09Z) - Self-Evolution Learning for Mixup: Enhance Data Augmentation on Few-Shot
Text Classification Tasks [75.42002070547267]
テキスト分類におけるデータ拡張のための自己進化学習(SE)に基づくミックスアップ手法を提案する。
モデル出力と原サンプルの1つのホットラベルを線形に補間して,新しい軟質なラベル混在を生成する,新しいインスタンス固有ラベル平滑化手法を提案する。
論文 参考訳(メタデータ) (2023-05-22T23:43:23Z) - GREAT Score: Global Robustness Evaluation of Adversarial Perturbation
using Generative Models [74.43215520371506]
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) - Are Neural Topic Models Broken? [81.15470302729638]
トピックモデルの自動評価と人的評価の関係について検討する。
ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
論文 参考訳(メタデータ) (2022-10-28T14:38:50Z) - DEAM: Dialogue Coherence Evaluation using AMR-based Semantic
Manipulations [46.942369532632604]
不整合データ生成のためのAMRに基づく意味操作に依存する対話評価指標を提案する。
実験の結果,DEAMは基準法と比較して,人間の判断と高い相関性が得られることがわかった。
論文 参考訳(メタデータ) (2022-03-18T03:11:35Z) - 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) - Is Automated Topic Model Evaluation Broken?: The Incoherence of
Coherence [62.826466543958624]
トピックモデル評価における標準化のギャップと検証のギャップについて考察する。
これらの指標によると、最近のニューラルネットワークコンポーネントに依存したモデルは、古典的なトピックモデルを超えている。
我々は,話題評価と単語侵入という,最も広く受け入れられている2つの人間の判断タスクとともに,自動的コヒーレンスを用いる。
論文 参考訳(メタデータ) (2021-07-05T17:58:52Z) - 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。