論文の概要: Enhancing Travel Decision-Making: A Contrastive Learning Approach for Personalized Review Rankings in Accommodations
- arxiv url: http://arxiv.org/abs/2407.00787v1
- Date: Sun, 30 Jun 2024 18:04:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 01:27:28.006006
- Title: Enhancing Travel Decision-Making: A Contrastive Learning Approach for Personalized Review Rankings in Accommodations
- Title（参考訳）: 旅行意思決定の促進:―宿泊施設における個人化レビューランキングの対比学習アプローチ―
- Authors: Reda Igebaria, Eran Fainman, Sarai Mizrachi, Moran Beladev, Fengjun Wang,
- Abstract要約: 我々は,著名なオンライン旅行プラットフォームから得られた,真のゲストレビューのデータセットを新たに提示する。
パーソナライズされたレビューランキングのための革新的なアプローチを提案する。
我々の研究の意味は旅行領域を超えて広がり、他の分野にも応用できる可能性がある。
- 参考スコア（独自算出の注目度）: 2.1963463652873694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: User-generated reviews significantly influence consumer decisions, particularly in the travel domain when selecting accommodations. This paper contribution comprising two main elements. Firstly, we present a novel dataset of authentic guest reviews sourced from a prominent online travel platform, totaling over two million reviews from 50,000 distinct accommodations. Secondly, we propose an innovative approach for personalized review ranking. Our method employs contrastive learning to intricately capture the relationship between a review and the contextual information of its respective reviewer. Through a comprehensive experimental study, we demonstrate that our approach surpasses several baselines across all reported metrics. Augmented by a comparative analysis, we showcase the efficacy of our method in elevating personalized review ranking. The implications of our research extend beyond the travel domain, with potential applications in other sectors where personalized review ranking is paramount, such as online e-commerce platforms.
- Abstract（参考訳）: ユーザ生成レビューは、特に宿泊地を選択する際の旅行領域において、消費者の判断に大きな影響を及ぼす。
本論文は2つの主要な要素から構成される。
まず,著名なオンライン旅行プラットフォームから得られた,5万件の異なる宿泊施設から200万件以上のレビューを収集した,真のゲストレビューのデータセットを提示する。
次に、パーソナライズされたレビューランキングのための革新的なアプローチを提案する。
提案手法では, コントラスト学習を用いて, レビューと各レビュアーの文脈情報との関係を複雑に把握する。
総合的な実験的研究を通じて、我々のアプローチは、報告されたすべての指標にまたがるいくつかのベースラインを超えることを実証した。
比較分析により,パーソナライズされたレビューランキングを高くする手法の有効性を示した。
オンライン電子商取引プラットフォームなど、パーソナライズされたレビューランキングが最重要分野である他の分野にも応用できる可能性がある。
関連論文リスト
- A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [58.6354685593418]
本稿では, レビューを評価するために, 記事レベル, フィールド正規化, 大規模言語モデルを用いた書誌指標を提案する。
新たに登場したAI生成の文献レビューも評価されている。
この研究は、文学レビューの現在の課題についての洞察を与え、彼らの開発に向けた今後の方向性を思い起こさせる。
論文 参考訳（メタデータ） (2024-02-20T11:28:50Z) - Unmasking Falsehoods in Reviews: An Exploration of NLP Techniques [0.0]
本研究は,誤認レビューを識別する機械学習モデルを提案する。
これを実現するために,n-gramモデルと最大特徴量を開発し,認識内容を効果的に同定する。
実験結果から,パッシブ・アグレッシブ・クラシファイアは様々なアルゴリズムにおいて顕著であることがわかった。
論文 参考訳（メタデータ） (2023-07-20T06:35:43Z) - Towards Personalized Review Summarization by Modeling Historical Reviews
from Customer and Product Separately [59.61932899841944]
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。
論文 参考訳（メタデータ） (2023-01-27T12:32:55Z) - Ranking Scientific Papers Using Preference Learning [48.78161994501516]
我々はこれをピアレビューテキストとレビュアースコアに基づく論文ランキング問題とみなした。
ピアレビューに基づいて最終決定を行うための,新しい多面的総合評価フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-02T19:41:47Z) - 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) - 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) - Hierarchical Bi-Directional Self-Attention Networks for Paper Review
Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。
具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。
我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文 参考訳（メタデータ） (2020-11-02T08:07:50Z) - Weakly-Supervised Aspect-Based Sentiment Analysis via Joint
Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。
We learn sentiment, aspects> joint topic embeddeds in the word embedding space。
次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文 参考訳（メタデータ） (2020-10-13T21:33:24Z) - Sentiment Analysis Using Averaged Weighted Word Vector Features [1.2691047660244332]
我々は,異なる種類の単語ベクトルを組み合わせて,レビューの極性を学習し,推定する2つの手法を開発した。
本手法は、感情分析の標準ベンチマークとして使用される異なる領域の複数のデータセットに適用する。
論文 参考訳（メタデータ） (2020-02-13T16:30:34Z)
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。