論文の概要: Extraction of Atypical Aspects from Customer Reviews: Datasets and Experiments with Language Models

• arxiv url: http://arxiv.org/abs/2311.02702v1
• Date: Sun, 5 Nov 2023 16:15:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 16:16:39.849661
• Title: Extraction of Atypical Aspects from Customer Reviews: Datasets and Experiments with Language Models
• Title（参考訳）: 顧客レビューから非典型的側面の抽出:データセットと言語モデルによる実験
• Authors: Smita Nannaware and Erfan Al-Hossami and Razvan Bunescu
• Abstract要約: 顧客レビューにおける非定型的な側面を検出するタスクを紹介する。 抽出モデルの開発を容易にするため、3つの領域のレビューのベンチマークデータセットを手動でアノテートする。 我々は,命令ベースのテキスト変換器-T5の微調整からゼロショット,GPT-3.5の少数ショットプロンプトまで,多くの言語モデルを評価する。
• 参考スコア（独自算出の注目度）: 0.7234862895932991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A restaurant dinner may become a memorable experience due to an unexpected aspect enjoyed by the customer, such as an origami-making station in the waiting area. If aspects that are atypical for a restaurant experience were known in advance, they could be leveraged to make recommendations that have the potential to engender serendipitous experiences, further increasing user satisfaction. Although relatively rare, whenever encountered, atypical aspects often end up being mentioned in reviews due to their memorable quality. Correspondingly, in this paper we introduce the task of detecting atypical aspects in customer reviews. To facilitate the development of extraction models, we manually annotate benchmark datasets of reviews in three domains - restaurants, hotels, and hair salons, which we use to evaluate a number of language models, ranging from fine-tuning the instruction-based text-to-text transformer Flan-T5 to zero-shot and few-shot prompting of GPT-3.5.
• Abstract（参考訳）: 待合所の折り紙駅など、客の予想外な面から、レストランのディナーは記憶に残る体験になるかもしれない。 レストランの体験に非典型的な側面が事前に知られていた場合、セレンディピティーな体験を育む可能性のあるレコメンデーションに活用でき、さらにユーザー満足度を高めることができる。 比較的稀だが、遭遇する度に非定型的な側面は、記憶に残る品質のため、しばしばレビューで言及される。 本稿では,顧客レビューにおける非定型的側面を検出するタスクを紹介する。 抽出モデルの開発を容易にするため,3つのドメインレスタラント,ホテル,ヘアサロンでレビューのベンチマークデータセットを手動でアノテートし,命令ベースのテキスト・テキスト・トランスフォーマーFlan-T5の微調整から,GPT-3.5のゼロショットプロンプトや少数ショットプロンプトまで,多数の言語モデルを評価する。

関連論文リスト

• AiGen-FoodReview: A Multimodal Dataset of Machine-Generated Restaurant Reviews and Images on Social Media [57.70351255180495]
  AiGen-FoodReviewは、20,144のレストランレビューイメージペアからなるデータセットである。 FLAVAで99.80%のマルチモーダル精度を達成し,一様・多モーダル検出モデルについて検討する。 この論文は、データセットをオープンソース化し、偽レビュー検出装置を公開し、非モーダルかつマルチモーダルな偽レビュー検出タスクでの使用を推奨し、合成データと真正データにおける言語的特徴と視覚的特徴を評価することで貢献する。
  論文  参考訳（メタデータ） (2024-01-16T20:57:36Z)
• Evaluating the Effectiveness of Pre-trained Language Models in Predicting the Helpfulness of Online Product Reviews [0.21485350418225244]
  オンライン製品レビューの有用性を予測するため,RoBERTaとXLM-R言語モデルの比較を行った。 実験にはAmazonレビューデータセットを使用します。
  論文  参考訳（メタデータ） (2023-02-19T18:22:59Z)
• Prompted Opinion Summarization with GPT-3.5 [115.95460650578678]
  GPT-3.5モデルは人体評価において非常に高い性能を示す。 我々は,標準評価指標がこれを反映していないことを論じ,忠実性,事実性,汎用性を重視した3つの新しい指標を導入する。
  論文  参考訳（メタデータ） (2022-11-29T04:06:21Z)
• COFFEE: Counterfactual Fairness for Personalized Text Generation in Explainable Recommendation [56.520470678876656]
  ユーザ記述テキストに固有のバイアスは、言語品質の異なるレベルとユーザの保護された属性を関連付けることができる。 説明生成における測度特異的な対実的公正性を実現するための一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-14T02:29:10Z)
• Factual and Informative Review Generation for Explainable Recommendation [41.403493319602816]
  先行モデルの生成されたコンテンツは、しばしば事実の幻覚を含む。 提案手法は,検索したコンテンツと生成のためのパラメトリック知識の併用による最近の成功にインスパイアされ,パーソナライズされた検索機能を備えたジェネレータを提案する。 Yelp、TripAdvisor、Amazon Movie Reviewsのデータセットでの実験は、我々のモデルが既存のレビューをより確実に複雑にし、より多様性があり、人間の評価者によってより有益であると評価された説明を生成できることを示している。
  論文  参考訳（メタデータ） (2022-09-12T16:46:47Z)
• 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)
• Explain and Conquer: Personalised Text-based Reviews to Achieve Transparency [0.0]
  我々はTripAdvisorプラットフォームに焦点を合わせ、他のdyadicデータコンテキストの適用性について検討した。 我々の目的は、エージェントが確立したペア(ユーザ、レストラン)を表現し、パーソナライゼーションを考慮して説明することである。 我々はPTER(Personalized TExt-based Reviews)モデルを提案し、特定のレストランの利用可能なレビューから、特定のユーザーインタラクションに適合するレビューを予測する。
  論文  参考訳（メタデータ） (2022-05-03T20:04:32Z)
• 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)
• 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)
• 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)

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。