論文の概要: Towards Personalized Review Summarization by Modeling Historical Reviews
from Customer and Product Separately
- arxiv url: http://arxiv.org/abs/2301.11682v1
- Date: Fri, 27 Jan 2023 12:32:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 15:46:06.797993
- Title: Towards Personalized Review Summarization by Modeling Historical Reviews
from Customer and Product Separately
- Title（参考訳）: 顧客と製品からの履歴レビューを別々にモデル化したパーソナライズされたレビュー要約に向けて
- Authors: Xin Cheng, Shen Gao, Yuchi Zhang, Yongliang Wang, Xiuying Chen,
Mingzhe Li, Dongyan Zhao and Rui Yan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 59.61932899841944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Review summarization is a non-trivial task that aims to summarize the main
idea of the product review in the E-commerce website. Different from the
document summary which only needs to focus on the main facts described in the
document, review summarization should not only summarize the main aspects
mentioned in the review but also reflect the personal style of the review
author. Although existing review summarization methods have incorporated the
historical reviews of both customer and product, they usually simply
concatenate and indiscriminately model this two heterogeneous information into
a long sequence. Moreover, the rating information can also provide a high-level
abstraction of customer preference, it has not been used by the majority of
methods. In this paper, we propose the Heterogeneous Historical Review aware
Review Summarization Model (HHRRS) which separately models the two types of
historical reviews with the rating information by a graph reasoning module with
a contrastive loss. We employ a multi-task framework that conducts the review
sentiment classification and summarization jointly. Extensive experiments on
four benchmark datasets demonstrate the superiority of HHRRS on both tasks.
- Abstract（参考訳）: レビュー要約(review summarization)は、製品レビューの主要なアイデアをeコマースウェブサイトで要約することを目的とした、非自明なタスクである。
文書に記載された主な事実にのみ注目する必要がある文書要約とは異なり、レビュー要約は、レビューで言及された主な側面を要約するだけでなく、レビュー著者の個人的なスタイルを反映するべきである。
既存のレビュー要約手法は、顧客と製品の両方の歴史的レビューを取り入れているが、それらは通常、この2つの異種情報を連結的かつ非差別的に長いシーケンスにモデル化する。
さらに、評価情報は顧客の好みを高度に抽象化することも可能であり、ほとんどの方法では使われていない。
本稿では,比較損失のあるグラフ推論モジュールを用いて,2種類の歴史的レビューと評価情報とを別々にモデル化する,異種歴史レビューを意識した要約モデル(hhrrs)を提案する。
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。
4つのベンチマークデータセットに対する大規模な実験は、両方のタスクにおけるHRRSの優位性を示している。
関連論文リスト
- LFOSum: Summarizing Long-form Opinions with Large Language Models [7.839083566878183]
本稿では,(1)長文ユーザレビューの新しいデータセット,(1)1000以上のレビューを含むエンティティ,(2)長期入力にスケールする2つのトレーニングフリーLCMベースの要約アプローチ,(3)自動評価指標を紹介する。
ユーザレビューのデータセットは、ドメインの専門家による詳細な、偏見のない批判的な要約と組み合わせられ、評価の基準として役立ちます。
我々の評価では、LLMは長文要約における感情と形式順守のバランスをとる上で依然として課題に直面しているが、オープンソースモデルでは、関連する情報が集中的に検索される場合のギャップを狭めることができる。
論文 参考訳（メタデータ） (2024-10-16T20:52:39Z) - Podcast Summary Assessment: A Resource for Evaluating Summary Assessment
Methods [42.08097583183816]
本稿では,新たなデータセット,ポッドキャスト要約評価コーパスについて述べる。
このデータセットには、2つのユニークな側面がある: (i)ロングインプット、音声ポッドキャストベース、文書; (ii)ポッドキャストコーパスにおける不適切な参照要約を検出する機会。
論文 参考訳（メタデータ） (2022-08-28T18:24:41Z) - Efficient Few-Shot Fine-Tuning for Opinion Summarization [83.76460801568092]
抽象的な要約モデルは、典型的には大量のジェネリックテキストで事前訓練され、数万から数十万の注釈付きサンプルで微調整される。
アダプタをベースとした数ショット法では,ドメイン内の知識を容易に保存できることを示す。
この自己教師型アダプタの事前トレーニングにより,AmazonとYelpのデータセット上の2.0および1.3ROUGE-Lポイントの要約品質が向上することを示す。
論文 参考訳（メタデータ） (2022-05-04T16:38:37Z) - Aspect-Controllable Opinion Summarization [58.5308638148329]
アスペクトクエリに基づいてカスタマイズした要約を生成する手法を提案する。
レビューコーパスを用いて、アスペクトコントローラで強化された(リビュー、サマリ)ペアの合成トレーニングデータセットを作成する。
合成データセットを用いて事前学習したモデルを微調整し、アスペクトコントローラを変更することでアスペクト固有の要約を生成する。
論文 参考訳（メタデータ） (2021-09-07T16:09:17Z) - 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) - Topic Detection and Summarization of User Reviews [6.779855791259679]
本稿では,レビューと要約の両方を解析して,効果的な新しい要約手法を提案する。
製品レビューと約1028の製品からなる新しいデータセットが、AmazonとCNETから収集されている。
論文 参考訳（メタデータ） (2020-05-30T02:19:08Z) - Few-Shot Learning for Opinion Summarization [117.70510762845338]
オピニオン要約は、複数の文書で表現された主観的な情報を反映したテキストの自動生成である。
本研究では,要約テキストの生成をブートストラップするのには,少数の要約でも十分であることを示す。
提案手法は, 従来の抽出法および抽象法を, 自動的, 人的評価において大きく上回っている。
論文 参考訳（メタデータ） (2020-04-30T15:37:38Z) - Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。
テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
論文 参考訳（メタデータ） (2020-04-21T16:54:57Z)
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。