論文の概要: PRAISE: Enhancing Product Descriptions with LLM-Driven Structured Insights
- arxiv url: http://arxiv.org/abs/2506.17314v1
- Date: Wed, 18 Jun 2025 11:23:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.34008
- Title: PRAISE: Enhancing Product Descriptions with LLM-Driven Structured Insights
- Title（参考訳）: PRAISE: LLM駆動型構造化インサイトによる製品説明の強化
- Authors: Adnan Qidwai, Srija Mukhopadhyay, Prerana Khatiwada, Dan Roth, Vivek Gupta,
- Abstract要約: PRAISE: Product Review Attribute Insight Structuring Engineは,Large Language Models(LLM)を使用して,顧客レビューや販売者説明から洞察を自動的に抽出し,比較し,構造化する新システムである。
本発表では、PRAISEのワークフロー、非構造化レビューから実行可能な構造化された洞察を生み出すことの有効性、およびeコマース製品カタログの品質と信頼性を著しく向上させる可能性について紹介する。
- 参考スコア（独自算出の注目度）: 47.15503716894445
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and complete product descriptions are crucial for e-commerce, yet seller-provided information often falls short. Customer reviews offer valuable details but are laborious to sift through manually. We present PRAISE: Product Review Attribute Insight Structuring Engine, a novel system that uses Large Language Models (LLMs) to automatically extract, compare, and structure insights from customer reviews and seller descriptions. PRAISE provides users with an intuitive interface to identify missing, contradictory, or partially matching details between these two sources, presenting the discrepancies in a clear, structured format alongside supporting evidence from reviews. This allows sellers to easily enhance their product listings for clarity and persuasiveness, and buyers to better assess product reliability. Our demonstration showcases PRAISE's workflow, its effectiveness in generating actionable structured insights from unstructured reviews, and its potential to significantly improve the quality and trustworthiness of e-commerce product catalogs.
- Abstract（参考訳）: 正確な製品説明と完全な製品説明はeコマースにとって不可欠だが、売り手が提供する情報は不足することが多い。
顧客レビューは、価値ある詳細を提供するが、手動で調べるのに苦労している。
PRAISE: Product Review Attribute Insight Structuring Engineは,Large Language Models(LLM)を使用して,顧客レビューや販売者説明から洞察を自動的に抽出し,比較し,構造化する新システムである。
PRAISEは、ユーザーがこれらの2つのソース間の欠落、矛盾、あるいは部分的に一致する詳細を特定するための直感的なインターフェースを提供する。
これにより、売り手は商品の明快さと説得力を容易に向上でき、買い手は製品の信頼性をよりよく評価できる。
本発表では、PRAISEのワークフロー、非構造化レビューから実行可能な構造化された洞察を生み出すことの有効性、およびeコマース製品カタログの品質と信頼性を著しく向上させる可能性について紹介する。
関連論文リスト
- CPR: Leveraging LLMs for Topic and Phrase Suggestion to Facilitate Comprehensive Product Reviews [0.5249805590164902]
本稿では,ユーザによる洞察に富んだレビュー作成を支援する新しい手法であるCPRについて述べる。
まず、製品固有の評価用語をユーザに提示し、次に、これらの評価に基づいて目的のフレーズ提案を生成する。
我々は、テキストからテキストへのLLMを用いてCPRを評価し、その性能をWalmartの実際の顧客レビューと比較した。
論文 参考訳（メタデータ） (2025-04-18T17:11:38Z) - Decomposed Opinion Summarization with Verified Aspect-Aware Modules [82.38097397662436]
レビューの観点から,ドメインに依存しない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。
論文 参考訳（メタデータ） (2025-01-27T09:29:55Z) - Self-Refinement Strategies for LLM-based Product Attribute Value Extraction [51.45146101802871]
本稿では,製品属性値抽出タスクに2つの自己補充手法を適用した。
実験の結果, 2つの自己補充技術は, 処理コストを大幅に増大させながら, 抽出性能を著しく向上させることができないことがわかった。
開発データを持つシナリオでは、ファインチューニングが最もパフォーマンスが高いのに対して、ファインチューニングの上昇コストは製品記述の量が増加するにつれてバランスがとれる。
論文 参考訳（メタデータ） (2025-01-02T12:55:27Z) - EcomEdit: An Automated E-commerce Knowledge Editing Framework for Enhanced Product and Purchase Intention Understanding [42.41707796705922]
知識編集(KE)は、大規模言語モデル(LLM)における事実情報の修正と更新を目標とし、計算コストのかかる微調整なしに精度と関連性を保証する。
ECOMEDITは、Eコマース関連の知識とタスクに適した、Eコマースの知識自動編集フレームワークである。
論文 参考訳（メタデータ） (2024-10-18T08:31:22Z) - SEOpinion: Summarization and Exploration Opinion of E-Commerce Websites [0.0]
本稿では,SEOpinion(Summa-rization and Exploration of Opinion)と呼ばれる方法論を提案する。
テンプレートの情報と顧客のレビューの組合せを2つの主要なフェーズで組み合わせることで、製品面の要約を提供し、それらに対する意見を示す。
本稿では,Deep LearningベースのBERT技術の適用可能性をテストするため,ノートパソコン用EC Webサイトのトップ5から情報を収集してコーパスを作成する。
論文 参考訳（メタデータ） (2023-12-12T15:45:58Z) - Leveraging Large Language Models for Enhanced Product Descriptions in
eCommerce [6.318353155416729]
本稿では,LAMA 2.0 7B言語モデルを用いた製品記述生成の自動化手法を提案する。
私たちはこのモデルを、最大のeコマースプラットフォームの1つであるWalmartの真正な製品記述のデータセットでトレーニングします。
以上の結果から,システムはスケーラブルであるだけでなく,製品記述作成に関わる人的負担を大幅に削減することが明らかとなった。
論文 参考訳（メタデータ） (2023-10-24T00:55:14Z) - ItemSage: Learning Product Embeddings for Shopping Recommendations at
Pinterest [60.841761065439414]
Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。
このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
論文 参考訳（メタデータ） (2022-05-24T02:28:58Z) - Improving Factual Consistency of Abstractive Summarization on Customer
Feedback [5.084731309706487]
Eコマースストアは顧客からのフィードバックを集め、売り手が顧客の懸念について学び、顧客の注文体験を向上させる。
フィードバックの簡潔な要約は、売り手が顧客の不満の原因となる問題をよりよく理解するのに役立ちます。
従来の抽象テキスト要約モデルは、顧客からのフィードバックから要約を生成する際に、2つの主要な事実エラーを発生させる。
論文 参考訳（メタデータ） (2021-06-30T16:34:36Z)
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。