論文の概要: LSTM-based QoE Evaluation for Web Microservices' Reputation Scoring
- arxiv url: http://arxiv.org/abs/2308.13590v1
- Date: Fri, 25 Aug 2023 17:23:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 20:17:00.078524
- Title: LSTM-based QoE Evaluation for Web Microservices' Reputation Scoring
- Title（参考訳）: LSTMに基づくWebマイクロサービスのレコレーションスコーリングのためのQoE評価
- Authors: Maha Driss
- Abstract要約: 本研究では,Web レビューにおける感情分析を行い,提供した情報を利用して評価し,評価する手法を提案する。
提案手法では,感情分析を行うLong Short-Term Memory (LSTM)モデルと評価スコアを評価するNet Brand Reputation (NBR)アルゴリズムを用いる。
このアプローチは1万以上のレビューでテストされ、実験の結果、我々のアプローチは既存のアプローチよりも正確であることが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sentiment analysis is the task of mining the authors' opinions about specific
entities. It allows organizations to monitor different services in real time
and act accordingly. Reputation is what is generally said or believed about
people or things. Informally, reputation combines the measure of reliability
derived from feedback, reviews, and ratings gathered from users, which reflect
their quality of experience (QoE) and can either increase or harm the
reputation of the provided services. In this study, we propose to perform
sentiment analysis on web microservices reviews to exploit the provided
information to assess and score the microservices' reputation. Our proposed
approach uses the Long Short-Term Memory (LSTM) model to perform sentiment
analysis and the Net Brand Reputation (NBR) algorithm to assess reputation
scores for microservices. This approach is tested on a set of more than 10,000
reviews related to 15 Amazon Web microservices, and the experimental results
have shown that our approach is more accurate than existing approaches, with an
accuracy and precision of 93% obtained after applying an oversampling strategy
and a resulting reputation score of the considered microservices community of
89%.
- Abstract（参考訳）: 感性分析は、特定の実体についての著者の意見をマイニングするタスクである。
組織はさまざまなサービスをリアルタイムで監視し、それに従って行動することができる。
評判は一般に言われるか、人や物について信じるものである。
非公式には、ユーザから集めたフィードバック、レビュー、評価から得られる信頼性の尺度を組み合わせることで、彼らのqoe(quality of experience)を反映し、提供されたサービスの評判を高めたり損なったりすることができる。
本研究では,web マイクロサービスレビューの感情分析を行い,提供情報を利用してマイクロサービスの評価と評価を行う。
提案手法では,Long Short-Term Memory (LSTM) モデルを用いて感情分析を行い,Net Brand Reputation (NBR) アルゴリズムを用いてマイクロサービスの評価スコアを評価する。
このアプローチは、Amazon Webマイクロサービスに関する1万以上のレビューのセットでテストされており、実験結果は、私たちのアプローチが既存のアプローチよりも正確であることを示し、オーバーサンプリング戦略を適用して得られた精度と精度は93%、マイクロサービスコミュニティの評判スコアは89%である。
関連論文リスト
- Distributed Online Life-Long Learning (DOL3) for Multi-agent Trust and Reputation Assessment in E-commerce [4.060281689561971]
eコマースのような市民中心の環境におけるサービス提供者の信頼と評価は、エージェント間の相互作用の整合性を維持するために不可欠である。
本稿では,信頼度と評価スコアをリアルタイムに学習する分散オンラインライフロングラーニング(DOL3)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-21T21:37:55Z) - Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳（メタデータ） (2024-10-03T13:02:07Z) - 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) - Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。
アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。
本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
論文 参考訳（メタデータ） (2024-04-19T16:45:50Z) - Exploiting Correlated Auxiliary Feedback in Parameterized Bandits [56.84649080789685]
そこで本研究では,学習者が追加の補助的フィードバックを観察できるパラメータ化帯域問題の新たな変種について検討する。
補助的なフィードバックは、ユーザのサービス評価(リワード)を観察し、サービス提供時間(補助的なフィードバック)などの追加情報を収集するオンラインプラットフォームなど、多くの現実的なアプリケーションで容易に利用可能である。
論文 参考訳（メタデータ） (2023-11-05T17:27:06Z) - LLMs as Factual Reasoners: Insights from Existing Benchmarks and Beyond [135.8013388183257]
そこで我々は,SummEditsと呼ばれる10ドメインのベンチマークで不整合検出ベンチマークを作成し,実装する新しいプロトコルを提案する。
ほとんどのLLMはSummEditsで苦労しており、パフォーマンスはランダムに近い。
最も優れたモデルであるGPT-4は、推定された人間のパフォーマンスよりも8%低い。
論文 参考訳（メタデータ） (2023-05-23T21:50:06Z) - Firenze: Model Evaluation Using Weak Signals [5.723905680436377]
本稿では,機械学習モデルの性能比較のための新しいフレームワークFirenzeを紹介する。
興味領域と呼ばれるサンプルの特定のサブセットに対して計算・結合されたマーカーは、実世界のパフォーマンスを頑健に見積もることができることを示す。
論文 参考訳（メタデータ） (2022-07-02T13:20:38Z) - Investigating Crowdsourcing Protocols for Evaluating the Factual
Consistency of Summaries [59.27273928454995]
要約に適用される現在の事前学習モデルは、ソーステキストを誤って表現したり、外部情報を導入したりする事実上の矛盾がちである。
評価ベースのLikertスケールとランキングベースのBest-Worst Scalingプロトコルを用いた,事実整合性のためのクラウドソーシング評価フレームワークを構築した。
ランキングベースのプロトコルは、データセット間の要約品質をより信頼性の高い尺度を提供するのに対して、Likertレーティングの信頼性はターゲットデータセットと評価設計に依存する。
論文 参考訳（メタデータ） (2021-09-19T19:05:00Z) - Improving Opinion Spam Detection by Cumulative Relative Frequency
Distribution [0.9176056742068814]
オンラインレビューにおける意見スパムの検出には様々なアプローチが提案されている。
我々は意見スパムの分類に有効な一連の機能を再設計した。
分布特性を用いることで分類器の性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-12-27T10:23:44Z) - User and Item-aware Estimation of Review Helpfulness [4.640835690336653]
有用性決定因子としてのレビューの性質における逸脱の役割について検討する。
本稿では,従来のものを拡張した新しい有用性推定モデルを提案する。
そこで本モデルは,意思決定におけるユーザフィードバックの選択に有効なツールである。
論文 参考訳（メタデータ） (2020-11-20T15:35:56Z) - 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)
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。