論文の概要: Shannon Entropy is better Feature than Category and Sentiment in User Feedback Processing

• arxiv url: http://arxiv.org/abs/2409.12012v1
• Date: Wed, 18 Sep 2024 14:26:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 17:24:06.780539
• Title: Shannon Entropy is better Feature than Category and Sentiment in User Feedback Processing
• Title（参考訳）: シャノンエントロピーは、ユーザのフィードバック処理におけるカテゴリとセンチメントよりも優れている
• Authors: Andres Rojas Paredes, Brenda Mareco,
• Abstract要約: 標準機能を置き換えるシンプルな機能として,Shannon Entropyを提案する。 以上の結果から, シャノンエントロピーに基づくランキングは, NDCGの基準値よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: App reviews in mobile app stores contain useful information which is used to improve applications and promote software evolution. This information is processed by automatic tools which prioritize reviews. In order to carry out this prioritization, reviews are decomposed into features like category and sentiment. Then, a weighted function assigns a weight to each feature and a review ranking is calculated. Unfortunately, in order to extract category and sentiment from reviews, its is required at least a classifier trained in an annotated corpus. Therefore this task is computational demanding. Thus, in this work, we propose Shannon Entropy as a simple feature which can replace standard features. Our results show that a Shannon Entropy based ranking is better than a standard ranking according to the NDCG metric. This result is promising even if we require fairness by means of algorithmic bias. Finally, we highlight a computational limit which appears in the search of the best ranking.
• Abstract（参考訳）: モバイルアプリストアのアプリレビューには、アプリケーションの改善とソフトウェアの進化を促進するために使用される有用な情報が含まれている。 この情報はレビューを優先する自動ツールによって処理される。 この優先順位付けを実行するために、レビューはカテゴリや感情といった機能に分解される。 そして、重み付き関数が各特徴に重みを割り当て、レビューランキングが算出される。 残念ながら、レビューからカテゴリと感情を抽出するためには、少なくとも注釈付きコーパスで訓練された分類器が必要である。 したがって、このタスクは計算要求である。 そこで本研究では,Shannon Entropyを標準機能を置き換えるシンプルな機能として提案する。 以上の結果から, シャノンエントロピーに基づくランキングは, NDCGの基準値よりも優れていることがわかった。 この結果はアルゴリズムバイアスによって公平性を必要とするとしても有望である。 最後に,最良ランキングの探索に現れる計算限界を強調した。

関連論文リスト

• InRank: Incremental Low-Rank Learning [85.6380047359139]
  勾配に基づくトレーニングは、トレーニング中のランクの段階的な増加を通じて、ニューラルネットワークを低ランクのソリューションに向けて暗黙的に正規化する。 既存のトレーニングアルゴリズムでは、計算効率を向上させるために、ローランクな特性を活用できない。 InRank(Incremental Low-Rank Learning)は,低ランク行列として累積重み更新を明示的に表現する学習アルゴリズムである。
  論文  参考訳（メタデータ） (2023-06-20T03:03:04Z)
• Learning List-Level Domain-Invariant Representations for Ranking [59.3544317373004]
  リストレベルのアライメント -- より高いレベルのリストでドメイン不変表現を学習する。 利点は2つある: これは、ランク付けに縛られる最初のドメイン適応の一般化をもたらし、その結果、提案法に対する理論的支援を提供する。
  論文  参考訳（メタデータ） (2022-12-21T04:49:55Z)
• Fast online ranking with fairness of exposure [29.134493256287072]
  このアルゴリズムは計算が高速で、ソート演算が支配的であり、メモリ効率が良く、理論的な保証も強いことを示します。 ユーザ側のパフォーマンスを最大化する基本方針と比較して,提案アルゴリズムは,計算オーバーヘッドが無視できるような推奨事項に,露出基準の複雑な公平性を組み込むことができる。
  論文  参考訳（メタデータ） (2022-09-13T12:35:36Z)
• Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
  ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。 この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。 このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。 我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
  論文  参考訳（メタデータ） (2022-04-05T19:39:13Z)
• Which Tricks Are Important for Learning to Rank? [32.38701971636441]
  勾配型決定木(GBDT)に基づく最先端の学習 to ランク法 本稿では,複数のGBDTに基づくランキングアルゴリズムを統一的に解析する。 その結果、学習からランクまでの手法の洞察を得て、新しい最先端のアルゴリズムを得ることができた。
  論文  参考訳（メタデータ） (2022-04-04T13:59:04Z)
• Online Learning of Optimally Diverse Rankings [63.62764375279861]
  ユーザのフィードバックのみに基づいて最適なリストを効率よく学習するアルゴリズムを提案する。 我々は、$T$クエリの後に、LDRの後悔は$O((N-L)log(T))$としてスケールする。
  論文  参考訳（メタデータ） (2021-09-13T12:13:20Z)
• On the Linear Ordering Problem and the Rankability of Data [0.0]
  線形度合いを使用して、データの割合が最適なランキングと一致するかを定量化します。 スポーツの文脈では、これはランキングが後から正確に予測できるゲームの数に類似している。 LOPを用いて計算した最適ランキングは、ランキングの後方精度を最大化することを示す。
  論文  参考訳（メタデータ） (2021-04-12T21:05:17Z)
• PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
  ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。 ピランクは所望の指標をゼロ温度の限界で正確に回収する。
  論文  参考訳（メタデータ） (2020-12-12T05:07:36Z)
• Controlling Fairness and Bias in Dynamic Learning-to-Rank [31.41843594914603]
  暗黙のフィードバックデータからランキング関数を学習しながら、グループフェアネスの概念を確実にする学習アルゴリズムを提案する。 このアルゴリズムは、公平さと実用性の両方のために、偏見のない推定器を統合するコントローラの形をとっている。 厳密な理論基盤と収束保証に加えて、アルゴリズムが極めて実用的で堅牢であることが実証的に明らかになった。
  論文  参考訳（メタデータ） (2020-05-29T17:57:56Z)
• Choppy: Cut Transformer For Ranked List Truncation [92.58177016973421]
  Choppyは、広く成功したTransformerアーキテクチャに基づいた仮説のないモデルである。 Choppyは最近の最先端の手法で改善されている。
  論文  参考訳（メタデータ） (2020-04-26T00:52:49Z)

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。