論文の概要: Prioritizing App Reviews for Developer Responses on Google Play

• arxiv url: http://arxiv.org/abs/2502.01520v1
• Date: Mon, 03 Feb 2025 16:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:05:01.591794
• Title: Prioritizing App Reviews for Developer Responses on Google Play
• Title（参考訳）: Google Playで開発者の反応を優先するアプリレビュー
• Authors: Mohsen Jafari, Forough Majidi, Abbas Heydarnoori,
• Abstract要約: 2013年以降、Google Playは開発者がユーザーレビューに応答できるようにしてきた。 13%から18%の開発者がこのプラクティスに従事しています。 応答優先度に基づいてレビューを優先順位付けする手法を提案する。
• 参考スコア（独自算出の注目度）: 1.5771347525430772
• License:
• Abstract: The number of applications in Google Play has increased dramatically in recent years. On Google Play, users can write detailed reviews and rate apps, with these ratings significantly influencing app success and download numbers. Reviews often include notable information like feature requests, which are valuable for software maintenance. Users can update their reviews and ratings anytime. Studies indicate that apps with ratings below three stars are typically avoided by potential users. Since 2013, Google Play has allowed developers to respond to user reviews, helping resolve issues and potentially boosting overall ratings and download rates. However, responding to reviews is time-consuming, and only 13% to 18% of developers engage in this practice. To address this challenge, we propose a method to prioritize reviews based on response priority. We collected and preprocessed review data, extracted both textual and semantic features, and assessed their impact on the importance of responses. We labelled reviews as requiring a response or not and trained four different machine learning models to prioritize them. We evaluated the models performance using metrics such as F1-Score, Accuracy, Precision, and Recall. Our findings indicate that the XGBoost model is the most effective for prioritizing reviews needing a response.
• Abstract（参考訳）: Google Playのアプリケーションの数は近年劇的に増えている。 Google Playでは、ユーザーは詳細なレビューやアプリの評価を書くことができ、これらの評価はアプリの成功とダウンロード数に大きな影響を及ぼす。 レビューには、ソフトウェアメンテナンスに価値のある機能要求のような注目すべき情報が含まれていることが多い。 ユーザーはいつでもレビューや評価を更新できる。 調査によると、3つ星未満のアプリは通常、潜在的なユーザーによって避けられている。 2013年以降、Google Playは、開発者がユーザーレビューに反応し、問題の解決を助け、全体のレーティングとダウンロード率を高める可能性がある。 しかし、レビューに対する反応は時間がかかり、13%から18%の開発者がこのプラクティスに従事している。 この課題に対処するために,反応優先度に基づいてレビューを優先順位付けする手法を提案する。 レビューデータを収集・前処理し,テキストの特徴と意味的特徴を抽出し,それらが応答の重要性に与える影響を評価した。 反応が必要かどうかというレビューをラベル付けし、4つの異なる機械学習モデルを優先順位付けするようにトレーニングしました。 F1スコア、精度、精度、リコールなどの指標を用いて、モデルの性能を評価した。 以上の結果から,XGBoostモデルは応答を必要とするレビューの優先順位付けに最も有効であることが示唆された。

関連論文リスト

• Improving Code Reviewer Recommendation: Accuracy, Latency, Workload, and Bystanders [6.538051328482194]
  当社は2018年のRevRecV1以降生産されているレコメンデータを構築しています。 私たちは、レビュアーがファイルの以前のオーサシップに基づいて割り当てられていることに気付きました。 レビューに責任を持つ個人を持つことは、レビューにかかる時間を11%削減する。
  論文  参考訳（メタデータ） (2023-12-28T17:55:13Z)
• UltraFeedback: Boosting Language Models with Scaled AI Feedback [99.4633351133207]
  大規模で高品質で多様なAIフィードバックデータセットである textscUltraFeedback を提示する。 我々の研究は、強力なオープンソースのチャット言語モデルを構築する上で、スケールしたAIフィードバックデータの有効性を検証する。
  論文  参考訳（メタデータ） (2023-10-02T17:40:01Z)
• Proactive Prioritization of App Issues via Contrastive Learning [2.6763498831034043]
  本稿では,アプリの問題を積極的に優先順位付けする新しいフレームワークPPriorを提案する。 PPriorはトレーニング済みのT5モデルを採用し、3段階で動作する。 フェーズ1は、事前訓練されたT5モデルを、セルフ教師された方法でユーザレビューデータに適用する。 第2フェーズでは、コントラストトレーニングを活用して、ユーザレビューの汎用的かつタスクに依存しない表現を学習する。
  論文  参考訳（メタデータ） (2023-03-12T06:23:10Z)
• 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)
• 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)
• ReviewRobot: Explainable Paper Review Generation based on Knowledge Synthesis [62.76038841302741]
  レビュースコアを自動的に割り当てて,新規性や意味のある比較など,複数のカテゴリのコメントを書くための,新しいReviewRobotを構築した。 実験の結果,レビュースコア予測器の精度は71.4%-100%であった。 ドメインの専門家による人間による評価は、ReviewRobotが生成したコメントの41.7%-70.5%が有効で建設的であり、その20%は人間が書いたものよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-10-13T02:17:58Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)
• App-Aware Response Synthesis for User Reviews [7.466973484411213]
  AAR Synthはアプリケーション対応の応答合成システムである。 アプリ説明から最も関連性の高いアプリレビューと、最も関連性の高いスニペットを検索する。 融合機械学習モデルは、セq2seqモデルと機械読解モデルを統合する。
  論文  参考訳（メタデータ） (2020-07-31T01:28:02Z)
• Automating App Review Response Generation [67.58267006314415]
  本稿では,レビューと回答の知識関係を学習することで,レビュー応答を自動的に生成する新しいアプローチRRGenを提案する。 58のアプリと309,246のレビュー-レスポンスペアの実験では、RRGenはBLEU-4の点で少なくとも67.4%のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-02-10T05:23:38Z)

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。