論文の概要: Multi-criteria Rating and Review based Recommendation Model

• arxiv url: http://arxiv.org/abs/2611.02019v1
• Date: Sun, 01 Nov 2026 16:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-12 06:44:43.798356
• Title: Multi-criteria Rating and Review based Recommendation Model
• Title（参考訳）: マルチ基準レーティングとリコメンデーションモデル
• Abstract要約: マルチ基準レーティングとレビューに基づくレコメンデーションモデル(MRRRec)を提案する。 提案モデルでは,MSEおよびMAEの平均値が19%,MSEが23.0%,MAEが23.0%であった。 また,本モデルでは,GloVeワード埋め込み法よりもWord2Vecワード埋め込みの方が優れた性能を示した。
• 参考スコア（独自算出の注目度）: 4.397312832426027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: These days, due to the advancement of information technology, recommendation system has become one of the key tools for e-commerce business. E-commerce platforms allow users to provide feedback in both written comments and numerical ratings. Recommendation systems are utilized to recommend users to new or unseen items based on these previously collected comments or ratings. In recent years, multi-aspect or multi-criteria based recommendation systems have been studied a lot by the recommendation research community. However, these research works are conducted either with reviews or ratings, not with both. In this project, we argue that integrating both textual reviews (with multiple aspects) and numerical multi-criteria ratings can further enhance the overall rating prediction accuracy. We propose a Multi-criteria Rating and Review based Recommendation model (MRRRec). We show that incorporating multi-criteria ratings into multi-aspect ratings from reviews has a great impact on performance. Our proposed model outperforms several state-of-the-art models such as ANR, DeepCoNN, and Deep Multi-criteria Recommendation System in terms of MSE, MAE, precision, recall, and F1. We show that our proposed model achieves an average of 19% and 23.0% lower MSE and MAE respectively and 7.0%, 1.0% and 3.8% higher precision, recall, and F1 score respectively. We further show that our model performs significantly better with Word2Vec word embedding than the GloVe word embedding method.
• Abstract（参考訳）: 近年、情報技術の進歩により、レコメンデーションシステムはeコマースビジネスの鍵となるツールの一つとなっている。 電子商取引プラットフォームは、ユーザーがコメントと数値評価の両方でフィードバックを提供することができる。 推薦システムは、ユーザーが以前収集したコメントや評価に基づいて、新規または未確認のアイテムを推薦するために利用される。 近年,推薦研究コミュニティによって,多視点・多基準推薦システムの研究が盛んに行われている。 しかし、これらの研究はレビューと評価の両方で行われ、どちらも行われていない。 本稿では,テキストレビュー(複数側面)と数値的マルチ基準レーティングの統合により,総合的な評価精度の向上が期待できる。 本稿では,Multi-criteria Rating and Review based Recommendation model (MRRRec)を提案する。 マルチ基準評価をレビューからのマルチアスペクト評価に組み込むことは、パフォーマンスに大きな影響を及ぼすことを示す。 提案モデルは,MSE,MAE,精度,リコール,F1の観点から,ANR,DeepCoNN,Deep Multi-criteria Recommendation Systemなどの最先端モデルよりも優れている。 提案モデルでは,MSEとMAEの平均値が19%,MSEが23.0%,MSEが7.0%,1.0%,F1が3.8%であった。 また,本モデルでは,GloVeワード埋め込みよりもWord2Vecワード埋め込みの方が優れた性能を示す。

関連論文リスト

• SCAN: Structured Capability Assessment and Navigation for LLMs [54.54085382131134]
  textbfSCAN (Structured Capability Assessment and Navigation) は、大規模言語モデルの詳細な特徴付けを可能にする実用的なフレームワークである。 SCANには4つの重要なコンポーネントが含まれている。 TaxBuilder – クエリから機能表示タグを抽出して階層的な分類構造を構築する。 RealMixは、各機能タグに対する十分な評価データを保証するクエリ合成とフィルタリングのメカニズムである。 PC$2$ベースのLCM-as-a-Judge法は従来のLCM-as-a-Judge法と比較して大幅に精度が向上する
  論文  参考訳（メタデータ） (2025-05-10T16:52:40Z)
• Can LLMs Outshine Conventional Recommenders? A Comparative Evaluation [33.031903907256606]
  本稿では、クリックスルーレート予測(CTR)とシーケンシャルレコメンデーション(SeqRec)という2つの主要なレコメンデーションタスクを評価するRecBenchを紹介する。 実験は最大17種類の大モデルを対象としており、ファッション、ニュース、ビデオ、書籍、音楽ドメインの5つの多様なデータセットで実施されている。 以上の結果から,LCMベースのレコメンデータは従来のレコメンデータよりも優れ,CTRシナリオでは最大5%のAUC改善,SeqRecシナリオでは最大170%のNDCG@10改善を実現した。
  論文  参考訳（メタデータ） (2025-03-07T15:05:23Z)
• CompassJudger-1: All-in-one Judge Model Helps Model Evaluation and Evolution [74.41064280094064]
  textbfJudger-1は、最初のオープンソースのtextbfall-in-one judge LLMである。 CompassJudger-1は、優れた汎用性を示す汎用LLMである。 textbfJudgerBenchは、様々な主観評価タスクを含む新しいベンチマークである。
  論文  参考訳（メタデータ） (2024-10-21T17:56:51Z)
• Direct Judgement Preference Optimization [79.54459973726405]
  我々は、他のモデルのアウトプットを評価し、批判するために、生成的判断として大きな言語モデル(LLM)を訓練する。 我々は,異なるユースケースに対する選好ペアの収集に3つのアプローチを採用し,それぞれが異なる視点から生成判断を改善することを目的としている。 提案モデルは,位置や長さの偏りなどの固有バイアスに強く対応し,実践者が指定した評価プロトコルに柔軟に適用し,下流ジェネレータモデルを改善する上で有用な言語フィードバックを提供する。
  論文  参考訳（メタデータ） (2024-09-23T02:08:20Z)
• Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
  RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。 因果的観点からRSを定式化し、二元的介入として勧告を定式化する。 提案手法では,結果の一致を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2024-08-19T07:21:02Z)
• Application of Machine Learning for Online Reputation Systems [0.4125187280299248]
  本稿では、消費者プロフィールから消費者の信頼度を予測するために機械学習を用いた新しい評価システムを提案する。 提案モデルは10-Foldsクロスバリデーションを用いて、3つのMovieLensベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2022-09-10T12:31:40Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Utilizing Textual Reviews in Latent Factor Models for Recommender Systems [1.7361353199214251]
  本稿では,テキストレビューに基づく評価モデリング手法とトピックモデリング手法を組み合わせたレコメンデーションアルゴリズムを提案する。 サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
  論文  参考訳（メタデータ） (2021-11-16T15:07:51Z)

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。