論文の概要: SynGraph: A Dynamic Graph-LLM Synthesis Framework for Sparse Streaming User Sentiment Modeling

• arxiv url: http://arxiv.org/abs/2503.04619v1
• Date: Thu, 06 Mar 2025 17:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 16:00:07.650895
• Title: SynGraph: A Dynamic Graph-LLM Synthesis Framework for Sparse Streaming User Sentiment Modeling
• Title（参考訳）: SynGraph: Sparse Streaming User Sentiment Modelingのための動的グラフ-LLM合成フレームワーク
• Authors: Xin Zhang, Qiyu Wei, Yingjie Zhu, Linhai Zhang, Deyu Zhou, Sophia Ananiadou,
• Abstract要約: eコマースプラットフォームのユーザレビューは、時間的および文脈的要因によって引き起こされる動的な感情パターンを示す。 従来の感情分析手法は、ユーザの感情評価とテキストコンテンツの間の時間的関係を捉えるのに失敗する。 本稿では,ストリーミングレビューにおける感情分析におけるデータの空間性に対処する新しいフレームワークであるSynGraphを紹介する。
• 参考スコア（独自算出の注目度）: 33.73286491864817
• License:
• Abstract: User reviews on e-commerce platforms exhibit dynamic sentiment patterns driven by temporal and contextual factors. Traditional sentiment analysis methods focus on static reviews, failing to capture the evolving temporal relationship between user sentiment rating and textual content. Sentiment analysis on streaming reviews addresses this limitation by modeling and predicting the temporal evolution of user sentiments. However, it suffers from data sparsity, manifesting in temporal, spatial, and combined forms. In this paper, we introduce SynGraph, a novel framework designed to address data sparsity in sentiment analysis on streaming reviews. SynGraph alleviates data sparsity by categorizing users into mid-tail, long-tail, and extreme scenarios and incorporating LLM-augmented enhancements within a dynamic graph-based structure. Experiments on real-world datasets demonstrate its effectiveness in addressing sparsity and improving sentiment modeling in streaming reviews.
• Abstract（参考訳）: eコマースプラットフォームのユーザレビューは、時間的および文脈的要因によって引き起こされる動的な感情パターンを示す。 従来の感情分析手法は静的レビューに重点を置いており、ユーザの感情評価とテキストコンテンツの間の時間的関係の進化を捉えていない。 ストリーミングレビューの感性分析は、ユーザの感情の時間的進化をモデル化し予測することで、この制限に対処する。 しかし、データ空間性に悩まされ、時間的、空間的、複合的な形で表される。 本稿では,ストリーミングレビューにおける感情分析におけるデータの分散性に対処する新しいフレームワークであるSynGraphを紹介する。 SynGraphは、ユーザをミドルテール、ロングテール、極端なシナリオに分類し、動的グラフベースの構造にLLM拡張を組み込むことで、データの疎結合を緩和する。 実世界のデータセットに対する実験は、スパーシリティに対処し、ストリーミングレビューにおける感情モデリングを改善する効果を示す。

関連論文リスト

• Relational Graph Convolutional Networks for Sentiment Analysis [0.0]
  Graph Convolutional Networks(NRGC)は、グラフ内のノードとして表されるデータポイント間の依存関係をキャプチャすることで、解釈性と柔軟性を提供する。 本稿では,Amazon および Digikala データセットの製品レビューにおいて,BERT や RoBERTa などの事前学習言語モデルと RGCN アーキテクチャを用いたアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-04-16T07:27:49Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
  マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。 長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
  論文  参考訳（メタデータ） (2023-08-10T01:24:25Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• Dynamic Graph Echo State Networks [11.900741510492754]
  動的時間グラフの効率的な処理のためのグラフエコー状態ネットワークの拡張を提案する。 我々のモデルは、トレーニングを必要とせず、各タイミングで更新される動的グラフのベクトル符号化を提供する。 実験では、12の分散プロセス分類タスクにおいて、近似時間グラフカーネルに匹敵する精度を示す。
  論文  参考訳（メタデータ） (2021-10-16T12:51:50Z)
• Exploring and mining attributed sequences of interactions [0.1933681537640272]
  私たちはインタラクションをストリームグラフとしてモデル化します。 ラベル付きストリームグラフ上に閉じたパターンを列挙するアルゴリズムを導入し、関連する閉じたパターンを選択する方法を導入する。 学生間の相互作用と著者間の引用の2つの実世界のデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-07-28T12:53:46Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Catastrophic Forgetting in Deep Graph Networks: an Introductory Benchmark for Graph Classification [12.423303337249795]
  グラフ表現学習シナリオにおける破滅的忘れ現象について検討する。 リプレイはこれまでのところ最も効果的な戦略であり、正規化の使用も最もメリットがあります。
  論文  参考訳（メタデータ） (2021-03-22T12:07:21Z)
• Jointly Modeling Aspect and Sentiment with Dynamic Heterogeneous Graph Neural Networks [27.59070337052869]
  対象に基づく感性分析は、意見の側面(視点抽出)と感情の極性(感情検出)を検出することを目的としている。 以前のパイプラインと統合されたメソッドはどちらも、これらの2つの目的の間の自然的接続を正確にモデル化することができない。 本稿では,2つの目的を明示的な方法で共同でモデル化する新しい動的不均一グラフを提案する。
  論文  参考訳（メタデータ） (2020-04-14T11:27:30Z)

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。