論文の概要: ReviewGraph: A Knowledge Graph Embedding Based Framework for Review Rating Prediction with Sentiment Features

• arxiv url: http://arxiv.org/abs/2508.13953v1
• Date: Tue, 19 Aug 2025 15:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.994149
• Title: ReviewGraph: A Knowledge Graph Embedding Based Framework for Review Rating Prediction with Sentiment Features
• Title（参考訳）: ReviewGraph: 知覚機能付きレーティング予測をレビューするための知識グラフ埋め込みベースのフレームワーク
• Authors: A. J. W. de Vink, Natalia Amat-Lefort, Lifeng Han,
• Abstract要約: 本研究は,テキストによる顧客レビューを知識グラフに変換する新しいフレームワークであるReviewGraph for Review Rating Prediction (RRP)を提案する。 グラフ埋め込み(Node2Vec)と感情機能を使用して、このフレームワークは機械学習分類器を通じてレビュー評価スコアを予測する。 ReviewGraphのアウトプットとプラットフォームをGitHubのページで公開します。
• 参考スコア（独自算出の注目度）: 3.195234044113248
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the hospitality industry, understanding the factors that drive customer review ratings is critical for improving guest satisfaction and business performance. This work proposes ReviewGraph for Review Rating Prediction (RRP), a novel framework that transforms textual customer reviews into knowledge graphs by extracting (subject, predicate, object) triples and associating sentiment scores. Using graph embeddings (Node2Vec) and sentiment features, the framework predicts review rating scores through machine learning classifiers. We compare ReviewGraph performance with traditional NLP baselines (such as Bag of Words, TF-IDF, and Word2Vec) and large language models (LLMs), evaluating them in the HotelRec dataset. In comparison to the state of the art literature, our proposed model performs similar to their best performing model but with lower computational cost (without ensemble). While ReviewGraph achieves comparable predictive performance to LLMs and outperforms baselines on agreement-based metrics such as Cohen's Kappa, it offers additional advantages in interpretability, visual exploration, and potential integration into Retrieval-Augmented Generation (RAG) systems. This work highlights the potential of graph-based representations for enhancing review analytics and lays the groundwork for future research integrating advanced graph neural networks and fine-tuned LLM-based extraction methods. We will share ReviewGraph output and platform open-sourced on our GitHub page https://github.com/aaronlifenghan/ReviewGraph
• Abstract（参考訳）: ホスピタリティ業界では、客の満足度やビジネスパフォーマンスを向上させるために、顧客のレビュー評価を促進する要因を理解することが重要である。 本研究は、レビューレーティング予測(RRP)のためのレビューグラフを提案する。このフレームワークは、テキストの顧客レビューを、三重項(目的、述語、対象)を抽出し、感情スコアを関連付けることによって、知識グラフに変換する新しいフレームワークである。 グラフ埋め込み(Node2Vec)と感情機能を使用して、このフレームワークは機械学習分類器を通じてレビュー評価スコアを予測する。 従来のNLPベースライン(Bag of Words, TF-IDF, Word2Vec)と大規模言語モデル(LLMs)を比較し,HotelRecデータセットで評価した。 現状の文献と比較すると,提案モデルは最高の性能のモデルと似ているが,計算コストは低い(アンサンブルなしで)。 ReviewGraphはLLMに匹敵する予測性能を達成し、CohenのKappaのような合意に基づくメトリクスのベースラインを上回るが、解釈可能性、視覚的な探索、Retrieval-Augmented Generation(RAG)システムへの潜在的な統合において、さらなるアドバンテージを提供する。 この研究は、レビュー分析の強化のためのグラフベース表現の可能性を強調し、先進的なグラフニューラルネットワークと微調整LPMベースの抽出手法を統合するための基盤となる。 ReviewGraphのアウトプットとプラットフォームをGitHubのhttps://github.com/aaronlifenghan/ReviewGraphで公開します。

関連論文リスト

• Towards Bridging Review Sparsity in Recommendation with Textual Edge Graph Representation [28.893058826607735]
  本稿では,意味的信号と構造的信号とを共同でモデル化することで,欠落レビューを示唆する統一的なフレームワークを提案する。 AmazonとGoodreadsデータセットの実験は、TWISTERが従来の数値、グラフベース、LLMベースラインを一貫して上回っていることを示している。 要約すると、TWISTERはより有用で、本物で、特定のレビューを生成し、構造的なシグナルを滑らかにすることで推奨を改善する。
  論文  参考訳（メタデータ） (2025-08-02T00:53:40Z)
• An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
  本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。 潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
  論文  参考訳（メタデータ） (2024-12-24T07:51:29Z)
• Deep Generative Models for Subgraph Prediction [10.56335881963895]
  本稿では,深層グラフ学習のための新しい課題として,サブグラフクエリを提案する。 サブグラフクエリは、観測されたサブグラフで表される証拠に基づいて、ターゲットサブグラフのコンポーネントを共同で予測する。 我々は,確率論的深部グラフ生成モデルを用いて,サブグラフクエリに回答する。
  論文  参考訳（メタデータ） (2024-08-07T19:24:02Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• LUKE-Graph: A Transformer-based Approach with Gated Relational Graph Attention for Cloze-style Reading Comprehension [13.173307471333619]
  本稿では,文書内のエンティティ間の直感的な関係に基づく異種グラフ構築モデルLUKE-Graphを提案する。 次に、アテンション読み込み(RGAT)を用いて、事前学習したLUKEモデルによって符号化されたグラフの推論情報と文脈表現を融合する。 実験結果から,LUKE-Graphはコモンセンス推論による最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-12T14:31:44Z)
• 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)
• Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
  グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。 我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。 我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
  論文  参考訳（メタデータ） (2020-01-30T15:32:08Z)

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。