論文の概要: Can Large Language Models be Effective Online Opinion Miners?

• arxiv url: http://arxiv.org/abs/2505.15695v1
• Date: Wed, 21 May 2025 16:09:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.766719
• Title: Can Large Language Models be Effective Online Opinion Miners?
• Title（参考訳）: 大規模言語モデルはオンラインオピニオンマイニングに有効か?
• Authors: Ryang Heo, Yongsik Seo, Junseong Lee, Dongha Lee,
• Abstract要約: オンラインオピニオンマイニングベンチマーク(OOMB, Online Opinion Mining Benchmark)は, 大規模言語モデルによる意見のマイニング能力を評価するための新しいデータセットと評価プロトコルである。 OOMBは、広範囲にわたる(関心、機能、意見)アノテーションと、各コンテンツの主要な意見トピックを強調する包括的な意見中心の要約を提供する。 我々は、現実的なオンラインシナリオにおいて、どの側面が困難なままで、LLMが適応性を示すのかを総合的に分析し、意見マイナーとして効果的に機能できるかを探索する。
• 参考スコア（独自算出の注目度）: 10.58478659755799
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The surge of user-generated online content presents a wealth of insights into customer preferences and market trends. However, the highly diverse, complex, and context-rich nature of such contents poses significant challenges to traditional opinion mining approaches. To address this, we introduce Online Opinion Mining Benchmark (OOMB), a novel dataset and evaluation protocol designed to assess the ability of large language models (LLMs) to mine opinions effectively from diverse and intricate online environments. OOMB provides extensive (entity, feature, opinion) tuple annotations and a comprehensive opinion-centric summary that highlights key opinion topics within each content, thereby enabling the evaluation of both the extractive and abstractive capabilities of models. Through our proposed benchmark, we conduct a comprehensive analysis of which aspects remain challenging and where LLMs exhibit adaptability, to explore whether they can effectively serve as opinion miners in realistic online scenarios. This study lays the foundation for LLM-based opinion mining and discusses directions for future research in this field.
• Abstract（参考訳）: ユーザー生成オンラインコンテンツの急増は、顧客の好みや市場のトレンドに関する洞察を豊富に示している。 しかし、そのような内容の高度に多様性があり、複雑で、文脈に富む性質は、伝統的な意見マイニングアプローチに重大な課題をもたらす。 そこで我々は,大規模言語モデル (LLM) による多様な複雑なオンライン環境からの意見のマイニング能力を評価するための,新しいデータセットと評価プロトコルである Online Opinion Mining Benchmark (OOMB) を紹介する。 OOMBは、広範囲(関心、特徴、意見)のタプルアノテーションと、各コンテンツにおける主要な意見トピックを強調する包括的な意見中心の要約を提供し、それによって、モデルの抽出と抽象の両方の能力の評価を可能にする。 提案したベンチマークを通じて、現実的なオンラインシナリオにおいて、どの側面が困難なままであり、LLMが適応性を示すのかを総合的に分析し、意見マイナーとして効果的に機能できるかを探索する。 本研究は, LLMに基づく意見マイニングの基礎を築き, 今後の研究の方向性について論じるものである。

関連論文リスト

• Aspect-Aware Decomposition for Opinion Summarization [82.38097397662436]
  本稿では、アスペクト識別、意見統合、メタレビュー合成のタスクを分離する、レビューアスペクトによってガイドされるモジュラーアプローチを提案する。 科学研究、ビジネス、製品ドメインを表すデータセットをまたいだ実験を行います。 その結果,本手法は強いベースラインモデルと比較して,より基底的なサマリーを生成することがわかった。
  論文  参考訳（メタデータ） (2025-01-27T09:29:55Z)
• LFOSum: Summarizing Long-form Opinions with Large Language Models [7.839083566878183]
  本稿では,(1)長文ユーザレビューの新しいデータセット,(1)1000以上のレビューを含むエンティティ,(2)長期入力にスケールする2つのトレーニングフリーLCMベースの要約アプローチ,(3)自動評価指標を紹介する。 ユーザレビューのデータセットは、ドメインの専門家による詳細な、偏見のない批判的な要約と組み合わせられ、評価の基準として役立ちます。 我々の評価では、LLMは長文要約における感情と形式順守のバランスをとる上で依然として課題に直面しているが、オープンソースモデルでは、関連する情報が集中的に検索される場合のギャップを狭めることができる。
  論文  参考訳（メタデータ） (2024-10-16T20:52:39Z)
• Peer Review as A Multi-Turn and Long-Context Dialogue with Role-Based Interactions [62.0123588983514]
  大規模言語モデル(LLM)は様々な分野にまたがる幅広い応用を実証してきた。 我々は、ピアレビュープロセスを多ターン長文対話として再構築し、著者、レビュアー、意思決定者に対して異なる役割を担っている。 複数の情報源から収集された92,017件のレビューを含む26,841件の論文を含む包括的データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-09T08:24:17Z)
• CriticEval: Evaluating Large Language Model as Critic [110.29766259843453]
  CriticEvalは、大規模言語モデルの批判能力を包括的かつ確実に評価するように設計された、新しいベンチマークである。 包括性を確保するため、CriticalEvalは9つの異なるタスクシナリオの4次元から批判能力を評価する。 信頼性を確保するため、多数の批判が注釈付けされ、参照として機能する。
  論文  参考訳（メタデータ） (2024-02-21T12:38:59Z)
• AaKOS: Aspect-adaptive Knowledge-based Opinion Summarization [5.4138734778206]
  インターネット上の情報の急速な増加は、様々な活動、製品、サービスに関する圧倒的な意見やコメントにつながっている。 これにより、ユーザが意思決定を行うときに利用可能なすべての情報を処理するのが難しく、時間がかかります。 本稿では,製品レビューのためのアスペクト適応型知識ベースオピニオン要約モデルを提案する。
  論文  参考訳（メタデータ） (2023-05-26T03:44:35Z)
• Sentiment Analysis in the Era of Large Language Models: A Reality Check [69.97942065617664]
  本稿では,大規模言語モデル(LLM)の様々な感情分析タスクの実行能力について検討する。 26のデータセット上の13のタスクのパフォーマンスを評価し、ドメイン固有のデータセットに基づいて訓練された小言語モデル(SLM)と比較した。
  論文  参考訳（メタデータ） (2023-05-24T10:45:25Z)
• A Framework of Customer Review Analysis Using the Aspect-Based Opinion Mining Approach [0.0]
  本稿では,移動学習の概念に基づくアスペクトベースの意見マイニングの枠組みを提案する。 このモデルはアスペクトベースの意見マイニングというタスクにおいて、非常に満足できる結果をもたらしました。
  論文  参考訳（メタデータ） (2022-12-20T07:54:58Z)

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。