論文の概要: Deep Analysis of Visual Product Reviews

• arxiv url: http://arxiv.org/abs/2207.09499v1
• Date: Tue, 19 Jul 2022 18:10:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:15:41.529563
• Title: Deep Analysis of Visual Product Reviews
• Title（参考訳）: ビジュアル製品レビューの深い分析
• Authors: Chandranath Adak, Soumi Chattopadhyay, Muhammad Saqib
• Abstract要約: これまで研究者らは、言語フィードバックの分析に取り組んできたが、ここでは、欠落しているかもしれない言語レビューの助けは受けていない。 本稿では,製品分類において上位モデルが関与する階層的アーキテクチャを提案し,顧客が提供する製品画像からレビュースコアを予測するために下位モデルが注目する。 提案された階層アーキテクチャは、シングルレベルの最高のアーキテクチャよりも57.48%の性能向上を達成した。
• 参考スコア（独自算出の注目度）: 3.120478415450056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the proliferation of the e-commerce industry, analyzing customer feedback is becoming indispensable to a service provider. In recent days, it can be noticed that customers upload the purchased product images with their review scores. In this paper, we undertake the task of analyzing such visual reviews, which is very new of its kind. In the past, the researchers worked on analyzing language feedback, but here we do not take any assistance from linguistic reviews that may be absent, since a recent trend can be observed where customers prefer to quickly upload the visual feedback instead of typing language feedback. We propose a hierarchical architecture, where the higher-level model engages in product categorization, and the lower-level model pays attention to predicting the review score from a customer-provided product image. We generated a database by procuring real visual product reviews, which was quite challenging. Our architecture obtained some promising results by performing extensive experiments on the employed database. The proposed hierarchical architecture attained a 57.48% performance improvement over the single-level best comparable architecture.
• Abstract（参考訳）: 電子商取引産業の興隆に伴い、サービス提供者にとって顧客からのフィードバックの分析は不可欠になりつつある。 近年では、購入した商品画像をレビュースコアでアップロードすることが注目されている。 本稿では,このような視覚的なレビューを分析する作業について述べる。 これまでは、研究者は言語フィードバックの分析に取り組んできたが、ここでは、言語レビューが欠如しているかもしれない。最近の傾向は、顧客が言語フィードバックをタイプするのではなく、視覚的フィードバックを素早くアップロードすることを好む場合に見られる。 我々は,高レベルモデルが製品分類に係わる階層的アーキテクチャを提案し,低レベルモデルが顧客提供の製品画像からレビュースコアの予測に注意を払う。 私たちは、実際のビジュアル製品レビューを取得してデータベースを作成しました。 我々のアーキテクチャは、採用したデータベースで広範囲な実験を行い、有望な結果を得た。 提案された階層アーキテクチャは、シングルレベルの最高のアーキテクチャよりも57.48%の性能向上を達成した。

関連論文リスト

• A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [58.6354685593418]
  本稿では, レビューを評価するために, 記事レベル, フィールド正規化, 大規模言語モデルを用いた書誌指標を提案する。 新たに登場したAI生成の文献レビューも評価されている。 この研究は、文学レビューの現在の課題についての洞察を与え、彼らの開発に向けた今後の方向性を思い起こさせる。
  論文  参考訳（メタデータ） (2024-02-20T11:28:50Z)
• UltraFeedback: Boosting Language Models with Scaled AI Feedback [99.4633351133207]
  大規模で高品質で多様なAIフィードバックデータセットである textscUltraFeedback を提示する。 我々の研究は、強力なオープンソースのチャット言語モデルを構築する上で、スケールしたAIフィードバックデータの有効性を検証する。
  論文  参考訳（メタデータ） (2023-10-02T17:40:01Z)
• Painsight: An Extendable Opinion Mining Framework for Detecting Pain Points Based on Online Customer Reviews [7.897859138153238]
  顧客レビューから不満要因を抽出する,教師なしのフレームワークPainsightを提案する。 Painsightは、感情分析とトピックモデルを構築するために、事前訓練された言語モデルを使用している。 各グループ内の不満要因の同定と分類に成功し,各タイプの孤立要因を同定した。
  論文  参考訳（メタデータ） (2023-06-03T07:51:57Z)
• Towards Personalized Review Summarization by Modeling Historical Reviews from Customer and Product Separately [59.61932899841944]
  レビュー要約(review summarization)は、Eコマースのウェブサイトで製品レビューのメインの考え方を要約することを目的とした、簡単ではないタスクである。 Heterogeneous Historical Review aware Review Summarization Model (HHRRS)を提案する。 我々は、レビュー感情分類と要約を共同で行うマルチタスクフレームワークを採用している。
  論文  参考訳（メタデータ） (2023-01-27T12:32:55Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• 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)
• SentiLSTM: A Deep Learning Approach for Sentiment Analysis of Restaurant Reviews [13.018530502810128]
  本稿では,レストランのクライアントが提供したレビューを肯定的,否定的な極性に分類する深層学習技術(BiLSTM)を提案する。 テストデータセットの評価の結果、BiLSTM技術は91.35%の精度で生成された。
  論文  参考訳（メタデータ） (2020-11-19T06:24:42Z)
• Improving Document-Level Sentiment Analysis with User and Product Context [16.47527363427252]
  感情予測時に利用可能な追加レビューテキストの導入について検討する。 私たちは、同じユーザと、同じ製品で書かれたレビューの表現を明示的に保存することで、これを実現する。 IMDB、Yelp 2013、Yelp 2014データセットの実験結果は、最高のケースで2ポイント以上の最先端の改善を示している。
  論文  参考訳（メタデータ） (2020-11-18T10:59:14Z)
• 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)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)
• Mining customer product reviews for product development: A summarization process [0.7742297876120561]
  本研究は、顧客の好みや嫌いに関連する言葉や表現をオンラインレビューから識別し、構造化し、製品開発を指導することを目的としている。 著者らは,製品価格,感情,使用状況など,ユーザの嗜好の多面性を含む要約モデルを提案する。 ケーススタディでは、提案したモデルとアノテーションガイドラインにより、人間のアノテーションは、高信頼度でオンラインレビューを構造化できることを示した。
  論文  参考訳（メタデータ） (2020-01-13T13:01:14Z)

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。