論文の概要: PeReGrINE: Evaluating Personalized Review Fidelity with User Item Graph Context

• arxiv url: http://arxiv.org/abs/2604.07788v1
• Date: Thu, 09 Apr 2026 04:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.69352
• Title: PeReGrINE: Evaluating Personalized Review Fidelity with User Item Graph Context
• Title（参考訳）: PeReGrINE: ユーザ項目グラフコンテキストによるパーソナライズされたレビュー忠実度の評価
• Authors: Steven Au, Baihan Lin,
• Abstract要約: PeReGrINEは、グラフ構造化されたユーザーエビデンスに基づくパーソナライズされたレビュー生成のためのベンチマークおよび評価フレームワークである。 我々は,各ユーザの言語的・情緒的な傾向を事前のレビューよりも要約したユーザスタイルを計算する。 ディゾナンス分析は、期待されるユーザスタイルと製品レベルのコンセンサスからの逸脱を測定する。
• 参考スコア（独自算出の注目度）: 11.110549053156625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce PeReGrINE, a benchmark and evaluation framework for personalized review generation grounded in graph-structured user--item evidence. PeReGrINE restructures Amazon Reviews 2023 into a temporally consistent bipartite graph, where each target review is conditioned on bounded evidence from user history, item context, and neighborhood interactions under explicit temporal cutoffs. To represent persistent user preferences without conditioning directly on sparse raw histories, we compute a User Style Parameter that summarizes each user's linguistic and affective tendencies over prior reviews. This setup supports controlled comparison of four graph-derived retrieval settings: product-only, user-only, neighbor-only, and combined evidence. Beyond standard generation metrics, we introduce Dissonance Analysis, a macro-level evaluation framework that measures deviation from expected user style and product-level consensus. We also study visual evidence as an auxiliary context source and find that it can improve textual quality in some settings, while graph-derived evidence remains the main driver of personalization and consistency. Across product categories, PeReGrINE offers a reproducible way to study how evidence composition affects review fidelity, personalization, and grounding in retrieval-conditioned language models.
• Abstract（参考訳）: 本稿では,グラフ構造化されたユーザ・エビデンスに基づくパーソナライズされたレビュー生成のためのベンチマークおよび評価フレームワークであるPeReGrINEを紹介する。 PeReGrINEはAmazon Reviews 2023を時間的に一貫した2部グラフに再構成する。 本研究では,各ユーザの言語的・情緒的な傾向を事前のレビューより要約したユーザスタイルパラメータを計算した。 この設定は、プロダクトオンリー、ユーザーオンリー、隣人オンリー、複合エビデンスという4つのグラフ由来の検索設定の制御された比較をサポートする。 標準生成指標以外にも,期待されるユーザスタイルと製品レベルのコンセンサスとの偏差を測定するマクロレベルの評価フレームワークであるDissonance Analysisを導入する。 また、視覚的エビデンスを補助的文脈源として研究し、いくつかの設定においてテキスト品質を向上させることができるのに対して、グラフ由来のエビデンスはパーソナライズと一貫性の主要な要因である。 製品カテゴリ全体で、PeReGrINEは、エビデンス構成が検索条件付き言語モデルにおけるレビューの正確性、パーソナライゼーション、グラウンドリングにどのように影響するかを研究する再現可能な方法を提供している。

関連論文リスト

• A Framework for Personalized Persuasiveness Prediction via Context-Aware User Profiling [21.531813748944383]
  メッセージの説得性を推定することは、様々なアプリケーションにおいて重要である。 説得力予測モデルの利点に説得者の過去の活動を活用するための確立された枠組みは存在しない。 2つのトレーニング可能なコンポーネントを持つコンテキスト認識型ユーザプロファイリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-09T09:22:31Z)
• PREFINE: Personalized Story Generation via Simulated User Critics and User-Specific Rubric Generation [2.8324853634693614]
  PreFINEは、Crytique-and-Refineパラダイムをパーソナライズに拡張する新しいフレームワークである。 PreFINEは、ユーザのインタラクション履歴から擬似ユーザエージェントを構築し、ユーザ固有のルーリックを生成する。 本手法は,対話システムや教育,レコメンデーションなどの幅広い応用において,効率的なパーソナライズを可能にする可能性を持っている。
  論文  参考訳（メタデータ） (2025-09-16T16:39:40Z)
• Personalized Graph-Based Retrieval for Large Language Models [51.7278897841697]
  ユーザ中心の知識グラフを利用してパーソナライゼーションを強化するフレームワークを提案する。 構造化されたユーザ知識を直接検索プロセスに統合し、ユーザ関連コンテキストにプロンプトを拡大することにより、PGraphはコンテキスト理解と出力品質を向上させる。 また,ユーザ履歴が不足あるいは利用できない実環境において,パーソナライズされたテキスト生成タスクを評価するために設計された,パーソナライズドグラフベースのテキスト生成ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-04T01:46:49Z)
• Were You Helpful -- Predicting Helpful Votes from Amazon Reviews [0.0]
  本研究は,Amazon製品レビューの有用性に影響を及ぼす要因について,機械学習技術を用いて検討する。 レビュー支援の強力な予測因子として機能する重要なメタデータの特徴を同定する。 この知見は、文脈的およびユーザ行動的要因は、言語内容そのものよりも、レビューの有用性を示す可能性があることを示唆している。
  論文  参考訳（メタデータ） (2024-12-03T22:38:58Z)
• Disentangling Likes and Dislikes in Personalized Generative Explainable Recommendation [26.214148426964794]
  ユーザの感情に焦点をあてた新しいデータセットと評価手法を導入する。 購入後のレビューから,ユーザの肯定的,否定的な意見を明示的に抽出し,データセットを構築する。 生成した説明文がユーザの感情に合致するかどうかに基づいてシステムを評価することを提案する。
  論文  参考訳（メタデータ） (2024-10-17T06:15:00Z)
• Towards Personalized Review Summarization by Modeling Historical Reviews from Customer and Product Separately [59.61932899841944]
  レビュー要約(review summarization)は、Eコマースのウェブサイトで製品レビューのメインの考え方を要約することを目的とした、簡単ではないタスクである。 Heterogeneous Historical Review aware Review Summarization Model (HHRRS)を提案する。 我々は、レビュー感情分類と要約を共同で行うマルチタスクフレームワークを採用している。
  論文  参考訳（メタデータ） (2023-01-27T12:32:55Z)
• 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)
• Aspect-Controllable Opinion Summarization [58.5308638148329]
  アスペクトクエリに基づいてカスタマイズした要約を生成する手法を提案する。 レビューコーパスを用いて、アスペクトコントローラで強化された(リビュー、サマリ)ペアの合成トレーニングデータセットを作成する。 合成データセットを用いて事前学習したモデルを微調整し、アスペクトコントローラを変更することでアスペクト固有の要約を生成する。
  論文  参考訳（メタデータ） (2021-09-07T16:09:17Z)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)

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。