論文の概要: How Much Do Reviews Really Contribute? A Study on Text-Enriched Matrix Factorization for Recommendations

• arxiv url: http://arxiv.org/abs/2606.16973v1
• Date: Mon, 15 Jun 2026 17:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.089955
• Title: How Much Do Reviews Really Contribute? A Study on Text-Enriched Matrix Factorization for Recommendations
• Title（参考訳）: レビューはどの程度貢献するか? : 推薦用テキスト強化マトリックス因子化の検討
• Authors: Eduardo Ferreira da Silva, Mayki dos Santos Oliveira, Joel Machado Pires Denis Dantas Boaventura, Frederico Araújo Durão,
• Abstract要約: 本稿では,3つの強化戦略の導入と比較により,テキスト情報がマトリックス因子化に与える影響について検討する。 本研究では,学習時の協調的信号とテキスト的信号とを適応的にバランスさせる学習可能なゲーティング機構を提案する。 我々は6つの変種を評価する:純粋に、トピックプロファイルとテキストをゲーティングで豊かにし、トピックとテキストをゲーティングで豊かにし、テキスト機能よりもクロスアテンションで拡張する。
• 参考スコア（独自算出の注目度）: 4.514832807541816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incorporating textual reviews into a Recommender System has become a prominent strategy for enriching collaborative signals with semantic information. However, the actual contribution of review-derived representations remains an open question, particularly when strong collaborative baselines are employed. In this work, we systematically investigate the impact of textual information on Matrix Factorization by introducing and comparing three enrichment strategies over a common collaborative backbone. First, we propose a learnable gating mechanism that adaptively balances collaborative and textual signals during training. This mechanism is applied to two distinct review representations: (i) aggregated topic profiles extracted from user and item histories, and (ii) full text embedding representations derived from reviews. Additionally, we explore a cross-attention mechanism that identifies and emphasizes the most informative dimensions of the textual representation before fusion with collaborative factors. We evaluate six variants: pure, enriched with topic profiles and text via gating; enriched with topics and text via gating; and enhanced with cross-attention over textual features. Experiments across multiple review-based datasets reveal that although adaptive fusion mechanisms improve representation flexibility, the marginal contribution of textual signals remains limited compared to the collaborative backbone. These findings suggest that, under typical rating-prediction settings, collaborative information continues to dominate performance, raising important considerations for the effective integration of semantic review signals into recommendation models.
• Abstract（参考訳）: テキストレビューをレコメンダーシステムに組み込むことは、セマンティック情報と協調的な信号を強化するための重要な戦略となっている。 しかし、特に強力なコラボレーティブベースラインが採用されている場合、レビュー由来の表現の実際の貢献は未解決の問題である。 本研究では,テキスト情報がマトリックス因子化に与える影響を,共通したバックボーン上での3つのエンリッチメント戦略の導入と比較によって系統的に検討する。 まず,学習時に協調的信号とテキスト信号とを適応的にバランスさせる学習可能なゲーティング機構を提案する。 このメカニズムは2つの異なるレビュー表現に適用されます。 一 ユーザ及び項目履歴から抽出した集約された話題プロファイル、及び (ii)レビューから派生した全文埋め込み表現。 さらに,コラボレーティブ・ファクターと融合する前に,テキスト表現の最も有意義な次元を識別し,強調するクロスアテンション機構について検討する。 我々は6つの変種を評価する:純粋に、トピックプロファイルとテキストをゲーティングで豊かにし、トピックとテキストをゲーティングで豊かにし、テキスト機能よりもクロスアテンションで拡張する。 複数のレビューベースデータセットに対する実験により、適応的な融合機構は表現の柔軟性を向上させるが、テキスト信号の限界寄与は、協調的なバックボーンと比較して制限されていることが明らかになった。 これらの結果は、一般的な評価予測設定下では、協調情報がパフォーマンスを支配し続けており、セマンティックレビュー信号のレコメンデーションモデルへの効果的な統合に関する重要な考慮が提起されていることを示唆している。

関連論文リスト

• TopicImpact: Improving Customer Feedback Analysis with Opinion Units for Topic Modeling and Star-Rating Prediction [0.29021840487584505]
  我々は、意見ユニットを運用するためのトピックモデリングパイプラインを再構築することで、顧客レビューからの洞察の抽出を改善する。 その結果、その後のトピックモデリングのパフォーマンスが向上し、一貫性と解釈可能なトピックが生まれる。 スター格付けなどのビジネス指標とトピックや感情を関連付けることで、顧客の特定の関心事がどのようにビジネス成果に影響を及ぼすかについての洞察を得ることができる。
  論文  参考訳（メタデータ） (2025-07-16T09:19:26Z)
• Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation [91.13055384151897]
  CCFRecは、シーケンシャルレコメンデーションのための新しいコードベースのテキストおよび協調的セマンティックフュージョン法である。 ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-03-15T15:54:44Z)
• Con-ReCall: Detecting Pre-training Data in LLMs via Contrastive Decoding [118.75567341513897]
  既存のメソッドは通常、ターゲットテキストを分離して分析するか、非メンバーコンテキストでのみ分析する。 Con-ReCallは、メンバと非メンバのコンテキストによって誘導される非対称な分布シフトを利用する新しいアプローチである。
  論文  参考訳（メタデータ） (2024-09-05T09:10:38Z)
• Annotator in the Loop: A Case Study of In-Depth Rater Engagement to Create a Bridging Benchmark Dataset [1.825224193230824]
  本稿では,アノテーションのための新規かつ協調的かつ反復的なアノテーション手法について述べる。 以上の結果から,アノテータとの連携によりアノテーションの手法が強化されることが示唆された。
  論文  参考訳（メタデータ） (2024-08-01T19:11:08Z)
• SummIt: Iterative Text Summarization via ChatGPT [12.966825834765814]
  本稿では,ChatGPTのような大規模言語モデルに基づく反復的なテキスト要約フレームワークSummItを提案する。 我々のフレームワークは、自己評価とフィードバックによって生成された要約を反復的に洗練することを可能にする。 また, 繰り返し改良の有効性を検証し, 過補正の潜在的な問題を特定するために, 人間の評価を行う。
  論文  参考訳（メタデータ） (2023-05-24T07:40:06Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• Salience Estimation with Multi-Attention Learning for Abstractive Text Summarization [86.45110800123216]
  テキスト要約のタスクでは、単語、フレーズ、文のサリエンス推定が重要な要素である。 本稿では,サラレンス推定のための2つの新しい注目学習要素を含むマルチアテンション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T02:38:56Z)

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。