論文の概要: Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling

• arxiv url: http://arxiv.org/abs/2112.13556v1
• Date: Mon, 27 Dec 2021 07:51:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 22:58:07.956051
• Title: Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling
• Title（参考訳）: マルチパースペクティブな選好モデルによるeコマースにおけるパーソナライズされた回答生成
• Authors: Yang Deng, Yaliang Li, Wenxuan Zhang, Bolin Ding, Wai Lam
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.049330405736406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, Product Question Answering (PQA) on E-Commerce platforms has attracted increasing attention as it can act as an intelligent online shopping assistant and improve the customer shopping experience. Its key function, automatic answer generation for product-related questions, has been studied by aiming to generate content-preserving while question-related answers. However, an important characteristic of PQA, i.e., personalization, is neglected by existing methods. It is insufficient to provide the same "completely summarized" answer to all customers, since many customers are more willing to see personalized answers with customized information only for themselves, by taking into consideration their own preferences towards product aspects or information needs. To tackle this challenge, we propose a novel Personalized Answer GEneration method (PAGE) with multi-perspective preference modeling, which explores historical user-generated contents to model user preference for generating personalized answers in PQA. Specifically, we first retrieve question-related user history as external knowledge to model knowledge-level user preference. Then we leverage Gaussian Softmax distribution model to capture latent aspect-level user preference. Finally, we develop a persona-aware pointer network to generate personalized answers in terms of both content and style by utilizing personal user preference and dynamic user vocabulary. Experimental results on real-world E-Commerce QA datasets demonstrate that the proposed method outperforms existing methods by generating informative and customized answers, and show that answer generation in E-Commerce can benefit from personalization.
• Abstract（参考訳）: 近年,Eコマースプラットフォーム上での製品質問回答(PQA)は,インテリジェントなオンラインショッピングアシスタントとして機能し,顧客ショッピング体験を改善することで注目を集めている。 その鍵となる機能である製品関連質問に対する自動回答生成は、質問関連回答中にコンテンツ保存を生成することを目的として研究されている。 しかし、PQAの重要な特徴、すなわちパーソナライゼーションは既存の手法では無視されている。 多くの顧客は、製品面や情報ニーズに対する自身の好みを考慮に入れて、カスタマイズされた情報のみを使ったパーソナライズされた回答を自分自身で見ることを好まないため、すべての顧客に同じ「完全に要約された」回答を提供することは不十分です。 この課題に対処するため、PQAにおけるパーソナライズされた回答を生成するために、過去のユーザ生成コンテンツをモデル化するマルチパースペクティブ・プライオリティ・モデリングを用いたPAGE(Personalized Answer GEneration Method)を提案する。 具体的には,まず質問関連ユーザ履歴を外部知識として検索し,知識レベルのユーザ嗜好をモデル化する。 次に,gaussian softmax分散モデルを用いて潜在的なアスペクトレベルのユーザ嗜好を捉える。 最後に,パーソナライズされたポインターネットワークを開発し,個人的ユーザ嗜好と動的ユーザ語彙を用いて,コンテンツとスタイルの両方からパーソナライズされた回答を生成する。 実世界のEコマースQAデータセットに対する実験結果から,提案手法は情報的,カスタマイズされた回答を生成し,既存の手法よりも優れており,Eコマースにおける回答生成はパーソナライズによるメリットがあることが示された。

関連論文リスト

• QAGCF: Graph Collaborative Filtering for Q&A Recommendation [58.21387109664593]
  質問と回答(Q&A)プラットフォームは通常、ユーザの知識獲得のニーズを満たすために質問と回答のペアを推奨する。 これにより、ユーザの振る舞いがより複雑になり、Q&Aレコメンデーションの2つの課題が提示される。 グラフニューラルネットワークモデルであるQ&Answer Graph Collaborative Filtering (QAGCF)を導入する。
  論文  参考訳（メタデータ） (2024-06-07T10:52:37Z)
• Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
  我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。 我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。 我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
  論文  参考訳（メタデータ） (2024-03-15T20:21:31Z)
• Evaluating Deep Vs. Wide & Deep Learners As Contextual Bandits For Personalized Email Promo Recommendations [1.1213676742918772]
  パーソナライゼーションにより、企業は過去のインタラクションから顧客の好みを学ぶことができる。 我々は、いくつかの選択肢から与えられた顧客に対する最適なプロモーションオファーを予測する問題は、文脈的盗聴の問題であると考えている。
  論文  参考訳（メタデータ） (2022-01-31T23:26:17Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• 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)
• 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)
• Using Large Pretrained Language Models for Answering User Queries from Product Specifications [0.0]
  この問題に対するトレーニングデータセットを自動生成するアプローチを提案する。 私たちのモデルは、1つの垂直でトレーニングされ、異なる垂直でテストされたとしても、優れたパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2020-05-29T14:52:33Z)

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。