論文の概要: Beyond a Single Story: Meta-Reviewing Sparse and Incomplete User-generated Contents for Recommendation

• arxiv url: http://arxiv.org/abs/2608.26728v1
• Date: Thu, 27 Aug 2026 07:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.28564
• Title: Beyond a Single Story: Meta-Reviewing Sparse and Incomplete User-generated Contents for Recommendation
• Title（参考訳）: 単一ストーリーを超えて: メタレビューのスパースと不完全なユーザ生成コンテンツ
• Abstract要約: データ重複は、リコメンデータシステムにおける長年の課題である。 既存のアプローチは、しばしばこれらの特定の問題を見落とし、精度が低下する。 提案するMOSAICは,周辺ユーザのレビューから属性感の証拠を集約することで,各ユーザに対するメタレビューを構築する。
• 参考スコア（独自算出の注目度）: 9.56170092655022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data sparsity remains a long-standing challenge in recommender systems, and it becomes more severe for methods relying on user-generated content (UGC) such as textual reviews, which capture fine-grained preferences but require more user efforts to produce. As a result, UGC exhibits (1) missing reviews, where interactions lack any review, and (2) incomplete reviews, where available reviews cover only a subset of relevant attributes. Existing approaches often overlook these UGC-specific issues, leading to degraded accuracy. Motivated by meta-review in academic peer review, we propose MOSAIC (Meta-review On Sparse And Incomplete user-generated Content), which constructs a meta-review for each target user by aggregating attribute-sentiment evidence from neighbor users' reviews. A multi-gate mixture-of-experts (MMoE) architecture jointly optimizes rating prediction and meta-review attribute-sentiment prediction, while an attention module personalizes the aggregated meta-review signals to each target user, yielding both refined rating predictions and attribute-level explanations. Experiments on four real-world datasets demonstrate that MOSAIC consistently outperforms state-of-the-art baselines in both recommendation accuracy and explanation quality, mitigating UGC sparsity and incompleteness while delivering consistent gains for users with limited interaction history.
• Abstract（参考訳）: データスパシティはリコメンデータシステムにおいて長年の課題であり続けており、テキストレビューのようなユーザ生成コンテンツ(UGC)に依存する手法では、より厳しいものになる。 その結果、UGCは(1)レビューの欠如、(2)レビューの欠如、(2)レビューの欠如、そして(2)レビューが利用可能なレビューは関連する属性のサブセットのみをカバーしている。 既存のアプローチはしばしばUGC固有の問題を見落とし、精度が低下する。 学術的査読においてメタレビューを動機としたMOSAIC(Meta-review On Sparse And Incomplete user- generated Content)を提案する。 マルチゲート・ミックス・オブ・エキスパート(MMoE)アーキテクチャは、評価予測とメタレビュー属性センチメント予測を共同で最適化し、アテンションモジュールは、集計されたメタレビュー信号を各ターゲットユーザーにパーソナライズし、洗練された評価予測と属性レベル説明の両方を与える。 4つの実世界のデータセットの実験により、MOSAICは推奨精度と説明品質の両方において、最先端のベースラインを一貫して上回り、UGCのスパーシリティと不完全性を軽減し、限られたインタラクション履歴を持つユーザに対して一貫したゲインを提供する。

関連論文リスト

• Preference-Aware Rubric Learning for Personalized Evaluation [59.539429430690156]
  既存の評価手法では、長期的なインタラクション履歴に埋め込まれたユーザ固有の嗜好をキャプチャできない。 静的判断よりも学習問題としてパーソナライズされた評価を定式化するパラダイムであるパーソナライズド・アズ・ラーニングを提案する。 実験により、PARLはユーザ対応の応答を確実に識別し、ユーザ間で一般化する高忠実なルーブリックを一貫して誘導することが示された。
  論文  参考訳（メタデータ） (2026-05-29T17:00:55Z)
• RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
  Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。 RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-05-17T05:21:23Z)
• PeReGrINE: Evaluating Personalized Review Fidelity with User Item Graph Context [11.110549053156625]
  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。
  論文  参考訳（メタデータ） (2026-04-09T04:36:28Z)
• OpinioRAG: Towards Generating User-Centric Opinion Highlights from Large-scale Online Reviews [12.338320566839483]
  本稿では,大量のユーザレビューから得られた意見ハイライトの問題点について考察する。 既存のメソッドはスケールアップに失敗するか、パーソナライズされたニーズを見落としている汎用的で一大の要約を生成するかのいずれかです。 本稿では,RAGに基づくエビデンス検索とLCMを組み合わせた拡張性のあるトレーニングフリーフレームワークであるOpinioRAGを紹介する。
  論文  参考訳（メタデータ） (2025-08-30T00:00:34Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• 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)
• FineRec:Exploring Fine-grained Sequential Recommendation [28.27273649170967]
  本稿では,属性-選択対のレビューを精査し,逐次レコメンデーションを微妙に処理する新しいフレームワークを提案する。 各属性に対して、ユニークな属性固有のユーザ-オピニオン-イットグラフが作成され、対応する意見が異質なユーザノードとアイテムノードをリンクするエッジとして機能する。 本稿では,属性固有のユーザ/イテム表現をすべての属性にわたって統合し,レコメンデーションを生成するためのインタラクション駆動型融合機構を提案する。
  論文  参考訳（メタデータ） (2024-04-19T16:04:26Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• 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。