論文の概要: ProdRev: A DNN framework for empowering customers using generative pre-trained transformers

• arxiv url: http://arxiv.org/abs/2505.13491v1
• Date: Wed, 14 May 2025 13:07:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.269244
• Title: ProdRev: A DNN framework for empowering customers using generative pre-trained transformers
• Title（参考訳）: ProdRev: 生成事前学習型トランスフォーマを用いた顧客支援のためのDNNフレームワーク
• Authors: Aakash Gupta, Nataraj Das,
• Abstract要約: 本稿では、これらのレビューをよりよく理解するために、生成事前学習型トランスフォーマーを微調整するフレームワークを提案する。 レビューを要約する単純な抽出方法ではなく、抽象的な要約を導入する。 これは、ユーザに"常識"の要素を導入し、正しい判断を素早く下すのに役立つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Following the pandemic, customers, preference for using e-commerce has accelerated. Since much information is available in multiple reviews (sometimes running in thousands) for a single product, it can create decision paralysis for the buyer. This scenario disempowers the consumer, who cannot be expected to go over so many reviews since its time consuming and can confuse them. Various commercial tools are available, that use a scoring mechanism to arrive at an adjusted score. It can alert the user to potential review manipulations. This paper proposes a framework that fine-tunes a generative pre-trained transformer to understand these reviews better. Furthermore, using "common-sense" to make better decisions. These models have more than 13 billion parameters. To fine-tune the model for our requirement, we use the curie engine from generative pre-trained transformer (GPT3). By using generative models, we are introducing abstractive summarization. Instead of using a simple extractive method of summarizing the reviews. This brings out the true relationship between the reviews and not simply copy-paste. This introduces an element of "common sense" for the user and helps them to quickly make the right decisions. The user is provided the pros and cons of the processed reviews. Thus the user/customer can take their own decisions.
• Abstract（参考訳）: パンデミックの後、顧客は電子商取引を利用する傾向が加速した。 1つの製品について、多くの情報が複数のレビュー(時には数千で実行される)で提供されているので、買い手にとって決定的麻痺を引き起こすことができる。 このシナリオは、時間がかかりすぎて多くのレビューが期待できない消費者を混乱させ、混乱させます。 さまざまな商用ツールが利用可能で、スコアリング機構を使用して調整されたスコアに到達する。 レビュー操作の可能性をユーザに警告することができる。 本稿では、これらのレビューをよりよく理解するために、生成事前学習型トランスフォーマーを微調整するフレームワークを提案する。 さらに、"常識"を使ってより良い意思決定を行う。 これらのモデルは13億以上のパラメータを持つ。 そこで我々は,生成事前学習変換器(GPT3)のキュリーエンジンを用いて,モデルの微調整を行う。 生成モデルを用いて抽象的な要約を導入する。 レビューを要約する単純な抽出方法を使う代わりに。 これは単にコピー・ペーストではなく、レビューの間に真の関係をもたらす。 これは、ユーザに"常識"の要素を導入し、正しい判断を素早く下すのに役立つ。 ユーザは、処理されたレビューの長所と短所を提供する。 したがって、ユーザー/顧客側は独自の決定を下すことができる。

関連論文リスト

• What Matters in Explanations: Towards Explainable Fake Review Detection Focusing on Transformers [45.55363754551388]
  顧客のレビューとフィードバックは、Amazon、Zalando、eBayなどのEコマースプラットフォームにおいて重要な役割を果たす。 売り手が偽レビューやスパムレビューを投稿し、潜在的な顧客を欺き、製品に関する意見を操作しているという懸念が有力である。 本稿では,偽レビューを高精度に検出するための説明可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-24T13:26:02Z)
• What if you said that differently?: How Explanation Formats Affect Human Feedback Efficacy and User Perception [53.4840989321394]
  我々は,QAモデルが生成した有理性の効果を分析し,その答えを支持する。 ユーザに対して,様々な形式で誤った回答とそれに対応する有理性を提示する。 このフィードバックの有効性を,文脈内学習を通じて評価する。
  論文  参考訳（メタデータ） (2023-11-16T04:26:32Z)
• User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
  推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。 ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。 実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-02-16T02:08:52Z)
• 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)
• Meaningful Answer Generation of E-Commerce Question-Answering [77.89755281215079]
  eコマースポータルでは、製品関連の質問に対する回答を生成することが重要な課題となっている。 本稿では,MPAG(Meaningful Product Answer Generator)と呼ばれる新しい生成ニューラルモデルを提案する。 MPAGは、製品レビュー、製品属性、プロトタイプの回答を考慮に入れて、安全な回答問題を緩和します。
  論文  参考訳（メタデータ） (2020-11-14T14:05:30Z)
• E-commerce Query-based Generation based on User Review [1.484852576248587]
  本稿では,従来のユーザによるレビューに基づいて,ユーザの質問に対する回答を生成するための新しいセク2seqベースのテキスト生成モデルを提案する。 ユーザの質問や感情の極性が与えられた場合,関心事の側面を抽出し,過去のユーザレビューを要約した回答を生成する。
  論文  参考訳（メタデータ） (2020-11-11T04:58:31Z)
• Predicting Helpfulness of Online Reviews [11.94034383561704]
  本稿では,オンラインレビューの有用性を予測するための機械学習(ML)モデルを提案する。 教師付き学習アプローチ、半教師付きアプローチ、事前訓練された単語埋め込みモデルである。 その結果,提案するDLアプローチは従来のDLアプローチよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-08-23T23:19:17Z)
• Feature-level Rating System using Customer Reviews and Review Votes [2.943984871413744]
  オンラインショッピングサイト(Amazon)で収集されたさまざまなモバイル製品とレビュー投票に関する顧客レビューを分析した。 私たちの分析では、オンラインで販売されている4k以上のモバイルの108の機能を評価しています。
  論文  参考訳（メタデータ） (2020-07-18T20:13:58Z)
• Context-aware Helpfulness Prediction for Online Product Reviews [34.47368084659301]
  本稿では,レビューの有用性を評価するニューラルディープ・ラーニング・モデルを提案する。 このモデルは畳み込みニューラルネットワーク(CNN)とコンテキスト認識符号化機構に基づいている。 我々は、人間の注釈付きデータセット上でモデルを検証し、その結果、既存のモデルよりも有益性予測に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-04-27T18:19:26Z)

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。