論文の概要: Content Rating Classification for Fan Fiction
- arxiv url: http://arxiv.org/abs/2212.12496v1
- Date: Fri, 23 Dec 2022 17:40:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 16:46:03.358669
- Title: Content Rating Classification for Fan Fiction
- Title（参考訳）: ファンフィクションのコンテンツ評価分類
- Authors: Yu Qiao and James Pope
- Abstract要約: ファンフィクションのコンテンツ評価は、自主的または規制によって行われる。
問題は、ファンフィクションのテキストを使って、適切なコンテンツ評価を決定することだ。
本稿では,コンテンツ評価を自動的に判定する自然言語処理手法を提案する。
- 参考スコア（独自算出の注目度）: 35.539218522504605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Content ratings can enable audiences to determine the suitability of various
media products. With the recent advent of fan fiction, the critical issue of
fan fiction content ratings has emerged. Whether fan fiction content ratings
are done voluntarily or required by regulation, there is the need to automate
the content rating classification. The problem is to take fan fiction text and
determine the appropriate content rating. Methods for other domains, such as
online books, have been attempted though none have been applied to fan fiction.
We propose natural language processing techniques, including traditional and
deep learning methods, to automatically determine the content rating. We show
that these methods produce poor accuracy results for multi-classification. We
then demonstrate that treating the problem as a binary classification problem
produces better accuracy. Finally, we believe and provide some evidence that
the current approach of self-annotating has led to incorrect labels limiting
classification results.
- Abstract（参考訳）: コンテンツ評価は、様々なメディア製品の適合性を決定することができる。
近年のファンフィクションの出現により、ファンフィクションのコンテンツ評価の重大な問題が浮上した。
ファンフィクションのコンテンツレーティングが自主的に行われるか、あるいは規制によって必要とされるかは、コンテンツレーティングの分類を自動化する必要がある。
問題は、ファンフィクションのテキストを取得し、適切なコンテンツ評価を決定することだ。
オンライン書籍などの他のドメインの手法は試みられているが、ファンフィクションには適用されていない。
そこで本研究では,自然言語処理手法として従来型および深層学習法を提案し,コンテンツ評価を自動的に決定する。
これらの手法は,複数分類の精度が低いことを示す。
次に,問題を二分分類問題として扱うと精度が向上することを示す。
最後に, 自己注釈のアプローチが, 分類結果の制限を誤ったラベルに導いたことを確信し, 示唆する。
関連論文リスト
- Analytical and Empirical Study of Herding Effects in Recommendation Systems [72.6693986712978]
評価アグリゲーションルールとショートリストされた代表レビューを用いて製品評価を管理する方法について検討する。
本稿では,Amazon と TripAdvisor の収束速度を向上させるために,適切な信頼度評価アグリゲーションルールが有効であることを示す。
論文 参考訳（メタデータ） (2024-08-20T14:29:23Z) - LLM-based Rewriting of Inappropriate Argumentation using Reinforcement Learning from Machine Feedback [16.57980268646285]
本稿では,議論における不適切な言語を計算的に緩和する方法について検討する。
コンテンツ保存と適切性のバランスをとるための強化学習に基づく書き直し手法を提案する。
絶対的および相対的評価研究において,報酬関数の重み付け方式について検討した。
論文 参考訳（メタデータ） (2024-06-05T15:18:08Z) - Using Natural Language Explanations to Rescale Human Judgments [81.66697572357477]
大規模言語モデル(LLM)を用いて順序付けアノテーションと説明を再スケールする手法を提案する。
我々は、アノテータのLikert評価とそれに対応する説明をLLMに入力し、スコア付けルーリックに固定された数値スコアを生成する。
提案手法は,合意に影響を及ぼさずに生の判断を再スケールし,そのスコアを同一のスコア付けルーリックに接する人間の判断に近づける。
論文 参考訳（メタデータ） (2023-05-24T06:19:14Z) - Like a Good Nearest Neighbor: Practical Content Moderation and Text
Classification [66.02091763340094]
LaGoNN(Good Nearest Neighbor)は、学習可能なパラメータを導入することなく、隣人の情報で入力テキストを変更するSetFitの変更である。
LaGoNNは望ましくないコンテンツやテキスト分類のフラグ付けに有効であり、SetFitのパフォーマンスを改善する。
論文 参考訳（メタデータ） (2023-02-17T15:43:29Z) - Deep Architectures for Content Moderation and Movie Content Rating [3.04585143845864]
映画コンテンツの格付けとテレビ番組の格付けは、専門委員会によって確立された2つの最も一般的な格付けシステムである。
コンピュータビジョンに基づく映像コンテンツ分析技術を用いて評価プロセスを自動化することが望ましい方法である。
本稿では,アクション認識,マルチモーダル学習,映画ジャンル分類,センシティブコンテンツ検出に関する関連研究を要約する。
論文 参考訳（メタデータ） (2022-12-08T19:50:53Z) - 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) - Classifying YouTube Comments Based on Sentiment and Type of Sentence [0.0]
我々は、よく知られた統計測度と機械学習モデルを用いて、YouTubeコメントからのテキスト抽出と分類の課題に対処する。
その結果,従来の手法を取り入れた手法が,コンテンツ制作者のチャンネルにおける視聴者エンゲージメント向上に有効であることを示す。
論文 参考訳（メタデータ） (2021-10-31T18:08:10Z) - Stay on Topic, Please: Aligning User Comments to the Content of a News
Article [7.3203631241415055]
新たな記事ベースに投稿されたユーザコメントとその内容との整合性を分類する分類アルゴリズムを提案する。
このアライメントは、コンテンツ、議論のエンティティ、トピック間の類似性に基づいて、ユーザーコメントと記事とを一致させようとする。
分類作業の難易度を理解するために,人間のラベル付け性能を評価するためのユーザ調査を行う。
論文 参考訳（メタデータ） (2021-03-03T18:29:00Z) - 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) - Rank over Class: The Untapped Potential of Ranking in Natural Language
Processing [8.637110868126546]
我々は、現在分類を用いて対処されている多くのタスクが、実際には分類モールドに切り替わっていると論じる。
本稿では,一対のテキストシーケンスの表現を生成するトランスフォーマーネットワークからなる新しいエンドツーエンドランキング手法を提案する。
重く歪んだ感情分析データセットの実験では、ランキング結果を分類ラベルに変換すると、最先端のテキスト分類よりも約22%改善する。
論文 参考訳（メタデータ） (2020-09-10T22:18:57Z)
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。