論文の概要: Proactive Prioritization of App Issues via Contrastive Learning

• arxiv url: http://arxiv.org/abs/2303.06586v1
• Date: Sun, 12 Mar 2023 06:23:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 18:06:13.176404
• Title: Proactive Prioritization of App Issues via Contrastive Learning
• Title（参考訳）: コントラスト学習によるアプリケーション問題の積極的な優先順位付け
• Authors: Moghis Fereidouni, Adib Mosharrof, Umar Farooq, AB Siddique
• Abstract要約: 本稿では,アプリの問題を積極的に優先順位付けする新しいフレームワークPPriorを提案する。 PPriorはトレーニング済みのT5モデルを採用し、3段階で動作する。 フェーズ1は、事前訓練されたT5モデルを、セルフ教師された方法でユーザレビューデータに適用する。 第2フェーズでは、コントラストトレーニングを活用して、ユーザレビューの汎用的かつタスクに依存しない表現を学習する。
• 参考スコア（独自算出の注目度）: 2.6763498831034043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile app stores produce a tremendous amount of data in the form of user reviews, which is a huge source of user requirements and sentiments; such reviews allow app developers to proactively address issues in their apps. However, only a small number of reviews capture common issues and sentiments which creates a need for automatically identifying prominent reviews. Unfortunately, most existing work in text ranking and popularity prediction focuses on social contexts where other signals are available, which renders such works ineffective in the context of app reviews. In this work, we propose a new framework, PPrior, that enables proactive prioritization of app issues through identifying prominent reviews (ones predicted to receive a large number of votes in a given time window). Predicting highly-voted reviews is challenging given that, unlike social posts, social network features of users are not available. Moreover, there is an issue of class imbalance, since a large number of user reviews receive little to no votes. PPrior employs a pre-trained T5 model and works in three phases. Phase one adapts the pre-trained T5 model to the user reviews data in a self-supervised fashion. In phase two, we leverage contrastive training to learn a generic and task-independent representation of user reviews. Phase three uses radius neighbors classifier t o m ake t he final predictions. This phase also uses FAISS index for scalability and efficient search. To conduct extensive experiments, we acquired a large dataset of over 2.1 million user reviews from Google Play. Our experimental results demonstrate the effectiveness of the proposed framework when compared against several state-of-the-art approaches. Moreover, the accuracy of PPrior in predicting prominent reviews is comparable to that of experienced app developers.
• Abstract（参考訳）: モバイルアプリストアは、ユーザーレビューという形で膨大な量のデータを生成しており、これはユーザー要求と感情の膨大な源泉である。 しかし、一般的な問題や感情を捉えているレビューはごく少数のみであり、著名なレビューを自動的に識別する必要がある。 残念なことに、テキストランキングや人気予測における既存の作業のほとんどは、他の信号が利用できる社会的コンテキストに焦点を当てている。 そこで本研究では,著名なレビューを識別することで,アプリの問題を積極的に優先順位付けするフレームワークであるppriorを提案する。 投稿と異なり、ユーザーのソーシャルネットワーク機能は利用できないため、高い評価の予測は難しい。 さらに、多数のユーザレビューがほとんど、あるいは全く投票されないため、クラス不均衡の問題もある。 PPriorはトレーニング済みのT5モデルを採用し、3段階で動作する。 フェーズ1は、事前訓練されたt5モデルをユーザーレビューデータに自己教師ありの方法で適応させる。 フェーズ2では、コントラストトレーニングを利用して、ユーザレビューの汎用的でタスクに依存しない表現を学ぶ。 第3段階は半径近傍分類器 t o m ake t he final predictions を用いる。 このフェーズでは、スケーラビリティと効率的な検索にFAISSインデックスも使用しています。 広範な実験を行うため、Google Playから2100万以上のユーザレビューの大規模なデータセットを取得しました。 本研究は,いくつかの最先端手法と比較し,提案フレームワークの有効性を実証する。 さらに、著名なレビューを予測するPPriorの精度は、経験豊富なアプリ開発者のものと同等である。

関連論文リスト

• Fairness Concerns in App Reviews: A Study on AI-based Mobile Apps [9.948068408730654]
  本研究は,モバイルアプリレビューにおける公平性の懸念を調査することを目的としている。 我々の研究は、AIベースのモバイルアプリレビューに焦点を当てており、AIベースのアプリの不公平な振る舞いや結果が非AIベースのアプリよりも高い可能性がある。
  論文  参考訳（メタデータ） (2024-01-16T03:43:33Z)
• Inclusiveness Matters: A Large-Scale Analysis of User Feedback [7.8788463395442045]
  Reddit、Google Play Store、Twitterの3つの人気オンラインソースからのユーザーフィードバックを、世界で最も人気のあるアプリ50に活用しています。 社会・技術基盤理論のアプローチを用いて,3つの情報源にまたがる23,107の投稿を分析し,1,211の包括性関連投稿を同定した。 本研究は、最も人気のあるアプリやオンラインソースからの包括性に関するユーザフィードバックを詳細に分析する。
  論文  参考訳（メタデータ） (2023-11-02T04:05:46Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• 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)
• 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)
• 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)
• 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 Useful are Reviews for Recommendation? A Critical Review and Potential Improvements [8.471274313213092]
  本稿では,レビューテキストを用いてレコメンデーションシステムの改善を目指す,新たな作業体系について検討する。 実験条件やデータ前処理に変化はあるものの, 論文間で結果がコピーされていることから, 報告結果にいくつかの相違点がみられた。 さらなる調査では、リコメンデーションのためのユーザレビューの"重要"に関して、はるかに大きな問題に関する議論が求められている。
  論文  参考訳（メタデータ） (2020-05-25T16:30:05Z)
• Automating App Review Response Generation [67.58267006314415]
  本稿では,レビューと回答の知識関係を学習することで,レビュー応答を自動的に生成する新しいアプローチRRGenを提案する。 58のアプリと309,246のレビュー-レスポンスペアの実験では、RRGenはBLEU-4の点で少なくとも67.4%のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-02-10T05:23:38Z)

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。