論文の概要: A Natural Language Processing Framework for Hotel Recommendation Based on Users' Text Reviews
- arxiv url: http://arxiv.org/abs/2408.00716v1
- Date: Thu, 1 Aug 2024 17:01:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 19:47:32.125713
- Title: A Natural Language Processing Framework for Hotel Recommendation Based on Users' Text Reviews
- Title（参考訳）: 利用者のテキストレビューに基づくホテルレコメンデーションのための自然言語処理フレームワーク
- Authors: Lavrentia Aravani, Emmanuel Pintelas, Christos Pierrakeas, Panagiotis Pintelas,
- Abstract要約: このフレームワークは、BERT(Bidirectional Representations from Transformers)と微調整/バリデーションパイプラインに基づいている。
提案するホテルレコメンデーションシステムは,予約施設のユーザエクスペリエンスを著しく向上させることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, the application of Artificial Intelligence algorithms in hotel recommendation systems has become an increasingly popular topic. One such method that has proven to be effective in this field is Deep Learning, especially Natural Language processing models, which are able to extract semantic knowledge from user's text reviews to create more efficient recommendation systems. This can lead to the development of intelligent models that can classify a user's preferences and emotions based on their feedback in the form of text reviews about their hotel stay experience. In this study, we propose a Natural Language Processing framework that utilizes customer text reviews to provide personalized recommendations for the most appropriate hotel based on their preferences. The framework is based on Bidirectional Encoder Representations from Transformers (BERT) and a fine-tuning/validation pipeline that categorizes customer hotel review texts into "Bad," "Good," or "Excellent" recommended hotels. Our findings indicate that the hotel recommendation system we propose can significantly enhance the user experience of booking accommodations by providing personalized recommendations based on user preferences and previous booking history.
- Abstract（参考訳）: 近年,ホテルレコメンデーションシステムにおける人工知能アルゴリズムの適用が話題となっている。
この分野で有効であることが証明された方法の1つは、ディープラーニング、特に自然言語処理モデルであり、ユーザーのテキストレビューから意味的な知識を抽出し、より効率的なレコメンデーションシステムを作成することができる。
これは、ホテル滞在経験に関するテキストレビューという形でフィードバックに基づいて、ユーザの好みと感情を分類できるインテリジェントモデルの開発につながる可能性がある。
本研究では,顧客テキストレビューを利用した自然言語処理フレームワークを提案し,その嗜好に基づいて,最も適切なホテルに対するパーソナライズされたレコメンデーションを提供する。
このフレームワークは、変換器(BERT)からの双方向エンコーダ表現と、顧客のホテルレビューのテキストを"Bad"、"Good"、"Excellent"推奨のホテルに分類する微調整/検証パイプラインに基づいている。
提案するホテルレコメンデーションシステムは,利用者の好みや過去の予約履歴に基づいたパーソナライズされたレコメンデーションを提供することで,宿泊施設のユーザエクスペリエンスを著しく向上させることができる。
関連論文リスト
- InteraRec: Screenshot Based Recommendations Using Multimodal Large Language Models [0.6926105253992517]
InteraRecと呼ばれる洗練されたインタラクティブなレコメンデーションフレームワークを紹介します。
InteraRecは、ユーザがWebサイトをナビゲートするときに、Webページの高周波スクリーンショットをキャプチャする。
ユーザに対して価値あるパーソナライズされたオファリングを提供する上で、InteraRecの有効性を実証する。
論文 参考訳（メタデータ） (2024-02-26T17:47:57Z) - Personalized Language Modeling from Personalized Human Feedback [49.344833339240566]
人間のフィードバックからの強化学習(Reinforcement Learning from Human Feedback, RLHF)は、人間の好みに合わせて大きな言語モデルを微調整するために一般的に用いられる。
本研究では,パーソナライズされた言語モデルを構築する手法を開発することにより,この問題に対処することを目的とする。
論文 参考訳（メタデータ） (2024-02-06T04:18:58Z) - Knowledge-grounded Natural Language Recommendation Explanation [11.58207109487333]
自然言語の説明可能なレコメンデーションに対する知識グラフ(KG)アプローチを提案する。
提案手法は,新しいコラボレーティブフィルタリングに基づくKG表現により,ユーザイテムの特徴を引き出す。
実験結果から,提案手法は,従来の自然言語説明推薦モデルよりも一貫して優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-08-30T07:36:12Z) - ChatGPT and Persuasive Technologies for the Management and Delivery of
Personalized Recommendations in Hotel Hospitality [0.6824747267214372]
本稿では,ホテルの宿泊レコメンデーションシステムの自動化と改善を目的としたChatGPTと説得技術の統合の可能性について検討する。
ChatGPTは人間のようなテキストを理解して生成し、より正確でコンテキスト対応のレコメンデーションを可能にする。
説得力のある技術は、ユーザの意思決定に効果的に影響を与え、特定のホテルの予約や部屋のアップグレードなど、望ましい行動を奨励します。
論文 参考訳（メタデータ） (2023-07-26T16:58:10Z) - Recommendation as Instruction Following: A Large Language Model
Empowered Recommendation Approach [83.62750225073341]
我々は、大規模言語モデル(LLM)による指示としてレコメンデーションを考える。
まず、ユーザの好み、意図、タスクフォーム、コンテキストを自然言語で記述するための一般的な命令形式を設計する。
そして、39の命令テンプレートを手動で設計し、大量のユーザ個人化された命令データを自動的に生成する。
論文 参考訳（メタデータ） (2023-05-11T17:39:07Z) - Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。
LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。
ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
論文 参考訳（メタデータ） (2023-04-09T14:52:18Z) - Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。
我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。
我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
論文 参考訳（メタデータ） (2022-06-26T12:07:56Z) - Discovering Personalized Semantics for Soft Attributes in Recommender
Systems using Concept Activation Vectors [34.56323846959459]
インタラクティブなレコメンデータシステムは、ユーザがよりリッチな方法で意図、好み、制約、コンテキストを表現することを可能にする。
課題の1つは、ユーザのセマンティックな意図を、しばしば望ましい項目を記述するために使用されるオープンエンドの用語や属性から推測することである。
このような属性のセマンティクスを捉える表現を学習し、それをレコメンデーションシステムにおけるユーザの好みや行動に結びつけるためのフレームワークを開発する。
論文 参考訳（メタデータ） (2022-02-06T18:45:15Z) - FEBR: Expert-Based Recommendation Framework for beneficial and
personalized content [77.86290991564829]
推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。
このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。
ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
論文 参考訳（メタデータ） (2021-07-17T18:21:31Z) - Category Aware Explainable Conversational Recommendation [15.904530647091237]
リアルタイムのカテゴリベースの会話推奨アプローチを紹介します。
まず,説明可能なユーザモデルを,項目のカテゴリに対する嗜好の形で実施する。
次に、カテゴリの好みを使ってアイテムを推奨します。
論文 参考訳（メタデータ） (2021-03-15T21:45:13Z) - Reward Constrained Interactive Recommendation with Natural Language
Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。
具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。
提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文 参考訳（メタデータ） (2020-05-04T16:23:34Z)
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。