論文の概要: GPT as a Baseline for Recommendation Explanation Texts
- arxiv url: http://arxiv.org/abs/2309.08817v1
- Date: Sat, 16 Sep 2023 00:00:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 19:12:38.874080
- Title: GPT as a Baseline for Recommendation Explanation Texts
- Title（参考訳）: 推薦説明文のベースラインとしてのGPT
- Authors: Joyce Zhou, Thorsten Joachims
- Abstract要約: 参加者は映画間で有意なランク付けをしておらず、また、これまで見たことのない映画レビューに対して、個々の品質スコアが著しく異なることもわかりました。
また、参加者が各品質に重要視する映画レビューテキストの特定の側面についても検討する。
- 参考スコア（独自算出の注目度）: 29.162214516432876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we establish a baseline potential for how modern
model-generated text explanations of movie recommendations may help users, and
explore what different components of these text explanations that users like or
dislike, especially in contrast to existing human movie reviews. We found that
participants gave no significantly different rankings between movies, nor did
they give significantly different individual quality scores to reviews of
movies that they had never seen before. However, participants did mark reviews
as significantly better when they were movies they had seen before. We also
explore specific aspects of movie review texts that participants marked as
important for each quality. Overall, we establish that modern LLMs are a
promising source of recommendation explanations, and we intend on further
exploring personalizable text explanations in the future.
- Abstract（参考訳）: 本研究では,映画レコメンデーションの現代的モデル生成によるテキスト説明がユーザに役立つことの基盤となる可能性を確立し,特に既存のヒト映画レビューとは対照的に,ユーザが好むか好まないかの異なる説明の構成要素を探索する。
その結果、参加者は映画間で格付けが著しく異なることや、これまで見たことのない映画レビューに対して、個々の品質スコアが著しく異なることが判明した。
しかし、参加者は以前見た映画の場合、レビューをはるかに良く評価した。
また,各品質において重要視される映画レビューテキストの具体的側面についても検討した。
全体として、現代のllmはレコメンデーション説明の有望な情報源であり、将来的にはパーソナライズ可能なテキスト説明をさらに検討するつもりです。
関連論文リスト
- MovieSum: An Abstractive Summarization Dataset for Movie Screenplays [11.318175666743656]
映画脚本の抽象的な要約のための新しいデータセットであるMovieSumを提示する。
このデータセットはウィキペディアのプロットサマリーを伴って2200の映画脚本で構成されている。
論文 参考訳（メタデータ） (2024-08-12T16:43:09Z) - Large Language Models as Conversational Movie Recommenders: A User Study [3.3636849604467]
大規模言語モデル(LLM)は、強い推薦性を提供するが、全体的なパーソナライゼーション、多様性、ユーザ信頼は欠如している。
LLMは、あまり知られていない映画やニッチ映画を推薦する能力を高めている。
論文 参考訳（メタデータ） (2024-04-29T20:17:06Z) - Movie101v2: Improved Movie Narration Benchmark [53.54176725112229]
映像の自動ナレーションは、視覚障害者を支援するために、映像に合わせたプロット記述を生成することを目的としている。
映画ナレーションに特化して設計されたデータ品質を向上した大規模バイリンガルデータセットであるMovie101v2を紹介する。
新しいベンチマークに基づいて,GPT-4Vを含む多数の視覚言語モデルをベースライン化し,ナレーション生成における課題の詳細な分析を行う。
論文 参考訳（メタデータ） (2024-04-20T13:15:27Z) - MMoE: Robust Spoiler Detection with Multi-modal Information and Domain-aware Mixture-of-Experts [24.019670360653002]
MMoEはマルチモーダルネットワークであり、複数のモーダルからの情報を利用してロバストなスポイラー検出を容易にする。
MMoEは2つの広く使用されているスポイラー検出データセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-03-08T12:42:04Z) - Detecting Spoilers in Movie Reviews with External Movie Knowledge and
User Networks [49.34060089217864]
オンライン映画レビュープラットフォームは、映画産業と一般大衆にクラウドソースによるフィードバックを提供している。
自動でスポイラーを識別するための予備的な研究が実施されたが、それらは単にレビューの内容そのものに焦点を当てているだけであった。
本稿では,映画レビュープラットフォーム上での映画やユーザ活動の外部知識を考慮した,新しい多視点スポイラー検出フレームワークであるMVSDを提案する。
論文 参考訳（メタデータ） (2023-04-22T13:54:31Z) - DOCENT: Learning Self-Supervised Entity Representations from Large
Document Collections [18.62873757515885]
本稿では、大量の関連テキストからリッチな自己教師型エンティティ表現を学習する。
事前学習すると、これらのモデルは、ランク付けされた検索、知識ベース補完、質問応答など、複数のエンティティ中心のタスクに適用できる。
我々は,従来のアプローチとは異なり,単語や実体を共同で予測する訓練戦略をいくつか提示する。
論文 参考訳（メタデータ） (2021-02-26T01:00:12Z) - Can We Automate Scientific Reviewing? [89.50052670307434]
我々は、最先端自然言語処理(NLP)モデルを用いて、科学論文の第一パスピアレビューを生成する可能性について論じる。
我々は、機械学習領域で論文のデータセットを収集し、各レビューでカバーされているさまざまなコンテンツに注釈を付け、レビューを生成するために論文を取り込み、ターゲットの要約モデルを訓練する。
総合的な実験結果から、システム生成レビューは、人間によるレビューよりも、論文の多くの側面に触れる傾向にあることが示された。
論文 参考訳（メタデータ） (2021-01-30T07:16:53Z) - Movie Summarization via Sparse Graph Construction [65.16768855902268]
マルチモーダル情報を用いて構築された,シーン間の関係を表すスパースなムービーグラフを構築することで,TPシーンを識別するモデルを提案する。
人間の判断によれば、我々のアプローチによって作成された要約は、シーケンスベースモデルや汎用的な要約アルゴリズムの出力よりも、より情報的で完全であり、より高い評価を受けている。
論文 参考訳（メタデータ） (2020-12-14T13:54:34Z) - A Multi-modal Approach to Fine-grained Opinion Mining on Video Reviews [47.726065950436585]
本稿では,ビデオレビューから詳細な意見をマイニングするためのマルチモーダル手法を提案する。
私たちのアプローチは、時間アノテーションを必要とせずに、文レベルで機能します。
論文 参考訳（メタデータ） (2020-05-27T13:46:11Z) - Interacting with Explanations through Critiquing [40.69540222716043]
本稿では,レビューテキストからレコメンデーションのパーソナライズされた説明を生成する手法を提案する。
我々は,最先端技術による説明よりも,人間の方がこれらの説明をはるかに好んでいることを示す。
私たちの仕事の最も重要なイノベーションは、ユーザーがテキストの説明を批判することでレコメンデーションに反応できることです。
論文 参考訳（メタデータ） (2020-05-22T09:03:06Z)
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。