論文の概要: Enhancing Collaborative Filtering Recommender with Prompt-Based Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2207.12883v1
• Date: Tue, 19 Jul 2022 21:04:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-31 14:14:01.444705
• Title: Enhancing Collaborative Filtering Recommender with Prompt-Based Sentiment Analysis
• Title（参考訳）: プロンプトベース感情分析によるコラボレーティブフィルタリングレコメンダの強化
• Authors: Elliot Dang, Zheyuan Hu, Tong Li
• Abstract要約: 協調フィルタリング(CF)レコメンダは、オンライン市場とeコマースにおいて重要なアプリケーションである。 既存の手法では,ユーザ評価の補完として,テキストレビューを感情スコアに変換するトークンレベルの感情分析を適用することで,データ空間の問題に対処している。 本稿では,BERTやRoBERTaなどの高度なNLPモデルを用いて感情分析を最適化する。
• 参考スコア（独自算出の注目度）: 4.123009513488148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative Filtering(CF) recommender is a crucial application in the online market and ecommerce. However, CF recommender has been proven to suffer from persistent problems related to sparsity of the user rating that will further lead to a cold-start issue. Existing methods address the data sparsity issue by applying token-level sentiment analysis that translate text review into sentiment scores as a complement of the user rating. In this paper, we attempt to optimize the sentiment analysis with advanced NLP models including BERT and RoBERTa, and experiment on whether the CF recommender has been further enhanced. We build the recommenders on the Amazon US Reviews dataset, and tune the pretrained BERT and RoBERTa with the traditional fine-tuned paradigm as well as the new prompt-based learning paradigm. Experimental result shows that the recommender enhanced with the sentiment ratings predicted by the fine-tuned RoBERTa has the best performance, and achieved 30.7% overall gain by comparing MAP, NDCG and precision at K to the baseline recommender. Prompt-based learning paradigm, although superior to traditional fine-tune paradigm in pure sentiment analysis, fail to further improve the CF recommender.
• Abstract（参考訳）: コラボレーティブフィルタリング(cf)リコメンダは、オンライン市場とeコマースにおいて重要なアプリケーションである。 しかしながら、cf recommenderは、ユーザレーティングのスパース性に関連する永続的な問題に苦しむことが証明されており、さらにコールドスタートの問題に繋がる。 既存の手法では,ユーザ評価の補完として,テキストレビューを感情スコアに変換するトークンレベルの感情分析を適用することで,データ空間の問題に対処している。 本稿では,BERTやRoBERTaを含む先進NLPモデルを用いた感情分析を最適化し,CFレコメンデータがさらに強化されているか実験する。 Amazon US Reviewsデータセット上にレコメンデータを構築し、トレーニング済みのBERTとRoBERTaに、従来の微調整のパラダイムと、新しいプロンプトベースの学習パラダイムをチューニングします。 実験結果から, 微調整されたRoBERTaで予測される評価値で向上したリコメンデータは, MAP, NDCG, Kの精度を基準レコメンデータと比較することにより, 総合的に30.7%向上したことがわかった。 プロンプトに基づく学習パラダイムは、純粋な感情分析において従来の微調整パラダイムよりも優れているが、CFレコメンデータをさらに改善することができない。

関連論文リスト

• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• RosePO: Aligning LLM-based Recommenders with Human Values [38.029251417802044]
  我々は、パーソナライズされた選好最適化(RosePO)を円滑にするための一般的なフレームワークを提案する。 RosePOは、トレーニング後の段階において、カスタマイズされた人的価値との整合性が向上する。 実世界の3つのデータセットの評価は,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-16T12:54:34Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• Is ChatGPT Fair for Recommendation? Evaluating Fairness in Large Language Model Recommendation [52.62492168507781]
  LLM(FaiRLLM)を用いたFairness of Recommendationと呼ばれる新しいベンチマークを提案する。 このベンチマークは、慎重に作成されたメトリクスと、8つの機密属性を考慮に入れたデータセットで構成されている。 FaiRLLMベンチマークを用いて、ChatGPTの評価を行い、レコメンデーションを生成する際には、いくつかの機密属性に対して不公平であることがわかった。
  論文  参考訳（メタデータ） (2023-05-12T16:54:36Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• On the Theories Behind Hard Negative Sampling for Recommendation [51.64626293229085]
  ハードネガティブサンプリング(HNS)を効果的に活用するための2つの洞察に富んだガイドラインを提供する。 パーソナライズされたランク付け(BPR)学習者におけるHNSの利用は、一方通行部分AUC(OPAUC)の最適化と等価であることを示す。 これらの分析は、初めてトップKレコメンデーションパフォーマンスを最適化するHNSの理論的基盤を確立する。
  論文  参考訳（メタデータ） (2023-02-07T13:57:03Z)
• CausPref: Causal Preference Learning for Out-of-Distribution Recommendation [36.22965012642248]
  現在のレコメンデータシステムは、現実的なシナリオにおけるユーザやアイテムの配布シフトに対して、依然として脆弱である。 本稿では,推奨特化DAG学習者を因果選好に基づく推薦フレームワークCausPrefに組み込むことを提案する。 当社のアプローチは、アウト・オブ・ディストリビューション・セッティングのタイプにおいて、ベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-02-08T16:42:03Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Understanding the Effects of Adversarial Personalized Ranking Optimization Method on Recommendation Quality [6.197934754799158]
  ベイズパーソナライズランキング(BPR)とAPR最適化フレームワークの学習特性をモデル化する。 APRがBPRよりも人気バイアスを増大させるのは、ショートヘッドアイテムからの肯定的な更新が不均衡に多いためである。
  論文  参考訳（メタデータ） (2021-07-29T10:22:20Z)
• Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
  近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。 推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。 本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
  論文  参考訳（メタデータ） (2021-07-28T16:29:38Z)
• Implicit Feedback Deep Collaborative Filtering Product Recommendation System [1.6651146574124562]
  潜在変数法による協調フィルタリング (CF) 手法について検討し, 粗末な顧客の購入行動の隠れた重要なバリエーションを抽出した。 潜在要因は、顧客の購入パターンを一般化し、製品レコメンデーションを提供するために使用される。 本論文では、収益の向上、新規顧客獲得、競合相手に対する優位性獲得のために、企業が製品レコメンデーションに利用できる技術を提供する。
  論文  参考訳（メタデータ） (2020-09-08T19:30:14Z)

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。