論文の概要: Reviews in motion: a large scale, longitudinal study of review
recommendations on Yelp
- arxiv url: http://arxiv.org/abs/2202.09005v1
- Date: Fri, 18 Feb 2022 03:27:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 15:02:48.723412
- Title: Reviews in motion: a large scale, longitudinal study of review
recommendations on Yelp
- Title（参考訳）: review in motion: yelpにおけるレビューレコメンデーションの大規模縦断調査
- Authors: Ryan Amos, Roland Maio, Prateek Mittal
- Abstract要約: 我々は、プラットフォームがレビューのためにフィルタリング決定を変更する「再分類」に焦点を当てる。
私たちは1250万以上のレビューをコンパイルします。
我々のデータは、人口密度の低下と低中間所得地域の変化により、再分類における人口格差が示唆されている。
- 参考スコア（独自算出の注目度）: 24.34131115451651
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The United Nations Consumer Protection Guidelines lists "access ... to
adequate information ... to make informed choices" as a core consumer
protection right. However, problematic online reviews and imperfections in
algorithms that detect those reviews pose obstacles to the fulfillment of this
right. Research on reviews and review platforms often derives insights from a
single web crawl, but the decisions those crawls observe may not be static. A
platform may feature a review one day and filter it from view the next day. An
appreciation for these dynamics is necessary to understand how a platform
chooses which reviews consumers encounter and which reviews may be unhelpful or
suspicious. We introduce a novel longitudinal angle to the study of reviews. We
focus on "reclassification," wherein a platform changes its filtering decision
for a review. To that end, we perform repeated web crawls of Yelp to create
three longitudinal datasets. These datasets highlight the platform's dynamic
treatment of reviews. We compile over 12.5M reviews--more than 2M
unique--across over 10k businesses. Our datasets are available for researchers
to use.
Our longitudinal approach gives us a unique perspective on Yelp's classifier
and allows us to explore reclassification. We find that reviews routinely move
between Yelp's two main classifier classes ("Recommended" and "Not
Recommended")--up to 8% over eight years--raising concerns about prior works'
use of Yelp's classes as ground truth. These changes have impacts on small
scales; for example, a business going from a 3.5 to 4.5 star rating despite no
new reviews. Some reviews move multiple times: we observed up to five
reclassifications in eleven months. Our data suggests demographic disparities
in reclassifications, with more changes in lower density and low-middle income
areas.
- Abstract（参考訳）: 国連消費者保護ガイドラインは「適切な情報に...アクセスして、情報的選択を行う」ことを、中核的な消費者保護権として挙げている。
しかし、これらのレビューを検出するアルゴリズムにおける問題のあるオンラインレビューと欠陥は、この権利の履行に障害をもたらす。
レビューとレビュープラットフォームの研究は、しばしば単一のWebクローから洞察を得るが、クロールが観察する決定は静的ではないかもしれない。
プラットフォームはいつの日かレビューをフィーチャーし、翌日のビューからフィルタリングする。
これらのダイナミクスに対する評価は、プラットフォームが消費者がどのレビューに遭遇するか、どのレビューが不適切か、疑わしいかを理解するために必要である。
レビュー研究に新しい長手角度を導入する。
我々は、プラットフォームがレビューのためにフィルタリング決定を変更する「再分類」に焦点を当てる。
そのため、yelpの繰り返しwebクローラを実行して、3つの縦型データセットを作成します。
これらのデータセットは、プラットフォームがレビューを動的に扱うことを強調する。
1250万以上のレビュー(200万以上のユニークレビュー)をコンパイルします。
私たちのデータセットは研究者が利用できる。
我々の縦方向のアプローチはYelpの分類器にユニークな視点を与え、再分類を探索できるようにします。
レビューはyelpの2つの主要な分類子クラス(“推奨”と“推奨されない”)の間を定期的に移動しており、8年間で8%まで上昇している。
これらの変更は、例えば、新しいレビューがないにも関わらず3.5から4.5に格付けされたビジネスなど、小さなスケールに影響を及ぼす。
レビューでは、最大5つの再分類を11ヶ月で確認しました。
我々のデータは、人口密度の低下と低中間所得地域の変化により、再分類における人口格差が示唆されている。
関連論文リスト
- Auditing Yelp's Business Ranking and Review Recommendation Through the
Lens of Fairness [10.957942355264093]
本研究では、Yelpのビジネスランキングとレビューレコメンデーションシステムについて、公正なレンズを通して検討する。
女性や未確立のユーザのレビューは、不公平に推奨されるものとして分類されている。
また、ホットスポット地域にあるレストランと、その平均露光量との間には、肯定的な関連性があることが判明した。
論文 参考訳（メタデータ） (2023-08-04T04:12:33Z) - Combat AI With AI: Counteract Machine-Generated Fake Restaurant Reviews
on Social Media [77.34726150561087]
我々は、高品質なYelpレビューを活用して、OpenAI GPTレビュー作成者から偽レビューを生成することを提案する。
このモデルを適用して、非エリートレビューを予測し、複数の次元にまたがるパターンを識別する。
ソーシャルメディアプラットフォームは、マシン生成の偽レビューによって継続的に挑戦されていることを示す。
論文 参考訳（メタデータ） (2023-02-10T19:40:10Z) - Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。
この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。
このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。
我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
論文 参考訳（メタデータ） (2022-04-05T19:39:13Z) - Large Scale Analysis of Open MOOC Reviews to Support Learners' Course
Selection [17.376856503445826]
5つのプラットフォームから4400万レビュー(これまでで最大のMOOCレビューデータセット)を分析します。
その結果、数値格付けは明らかに偏っている(そのうち63%が5つ星格付けである)。
われわれの研究は、この領域に光を当て、オンライン教育のレビューにおいてより透明なアプローチを促進することを期待している。
論文 参考訳（メタデータ） (2022-01-11T10:24:49Z) - Attention-based Bidirectional LSTM for Deceptive Opinion Spam
Classification [0.0]
不正なレビューは様々なオンラインレビュープラットフォームに意図的に投稿され、顧客が商品やレストランを購入したり、訪ねたり、気を散らすのを手伝う。
この研究は、レビューを偽りまたは真偽として検出し分類することを目的としている。
これには、レビューの分類と提案されたアプローチの概要のための様々なディープラーニング技術の使用が含まれる。
論文 参考訳（メタデータ） (2021-12-29T19:02:04Z) - Can We Automate Scientific Reviewing? [89.50052670307434]
我々は、最先端自然言語処理(NLP)モデルを用いて、科学論文の第一パスピアレビューを生成する可能性について論じる。
我々は、機械学習領域で論文のデータセットを収集し、各レビューでカバーされているさまざまなコンテンツに注釈を付け、レビューを生成するために論文を取り込み、ターゲットの要約モデルを訓練する。
総合的な実験結果から、システム生成レビューは、人間によるレビューよりも、論文の多くの側面に触れる傾向にあることが示された。
論文 参考訳（メタデータ） (2021-01-30T07:16:53Z) - Abstractive Opinion Tagging [65.47649273721679]
eコマースでは、意見タグは、アイテムのレビューの特徴を反映したEコマースプラットフォームが提供するタグのランクリストを指す。
意見タグを生成するための現在のメカニズムは、手作業またはラベル付け方法に依存します。
AOT-Net と呼ばれる抽象的な意見タグフレームワークを提案し、多数のレビューからランク付けされた意見タグのリストを生成します。
論文 参考訳（メタデータ） (2021-01-18T05:08:15Z) - ReviewRobot: Explainable Paper Review Generation based on Knowledge
Synthesis [62.76038841302741]
レビュースコアを自動的に割り当てて,新規性や意味のある比較など,複数のカテゴリのコメントを書くための,新しいReviewRobotを構築した。
実験の結果,レビュースコア予測器の精度は71.4%-100%であった。
ドメインの専門家による人間による評価は、ReviewRobotが生成したコメントの41.7%-70.5%が有効で建設的であり、その20%は人間が書いたものよりも優れていることを示している。
論文 参考訳（メタデータ） (2020-10-13T02:17:58Z) - Emerging App Issue Identification via Online Joint Sentiment-Topic
Tracing [66.57888248681303]
本稿では,MERITという新しい問題検出手法を提案する。
AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。
Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
論文 参考訳（メタデータ） (2020-08-23T06:34:05Z) - How do online consumers review negatively? [1.52292571922932]
中国最大のB2CプラットフォームであるJD.comの1,450,000のネガティブレビューを用いて、時間的、知覚的、感情的な視点からの行動パターンを探求する。
低レベルの消費者は、特に製品価格や売り手の態度に関して、より強い否定的な感情を表現している。
高いレベルの消費者からの否定的なレビューの価値は、感情の低下と偏見の低いナレーションのために予想外に強調される。
論文 参考訳（メタデータ） (2020-04-28T12:54:30Z) - 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。