方向性的多元排序
本文提出了基于多层次评价维度的评分系统,并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集,证明了该模型的可行性及在现实世界数据上的可扩展性。此外,该模型能够自动学习与特定方面相关的内容词和情感词,从而将评论文本中的内容和情感信息分离开来。
Oct, 2012
通过概率建模来推断用户对产品不同方面的偏好并揭示产品内在质量,在实际数据集上展示了该方法的预测能力和学习可解释用户偏好的有效性,进而提高可靠的产品质量评估。
May, 2017
本文提出了一种基于文本信息和评分数据来提高推荐系统效能的方法,采用 Aspect-aware Topic Model 将用户的偏好和项目的特征从不同角度进行建模,然后将得出的方面重要性整合到一种学习用户和项目潜在因素的新型 Aspect-aware Latent Factor Model 中,最终获得更好的推荐解释性,并且展现了良好的实验结果。
Feb, 2018
通过使用多模态、面向方面的主题模型(MATM)和面向方面的潜因子模型(ALFM)来结合文本评论和物品图像与评分,解决了潜因子模型在推荐系统中存在的冷启动、非透明性和子优解等问题,并且在 Yelp 2017 挑战数据集和亚马逊产品数据集上实验表明了该方法的有效性。
Nov, 2018
本研究评估了一个新提出的神经模型在提取评论方面的可行性,结果表明该模型能够从用户评论中准确识别和提取各个方面并生成用户偏好的基于方面的概要。
Apr, 2018
我们提出了一个模型,通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集,并确定了每个方面的相应情感,从而直接发现了产品的高评级或不一致方面。
Jan, 2014
描述了一种有应用广泛的模型评估方法,能够根据核心科学原理和更实用的结果评估人工智能 / 机器学习模型。该方法通过心理学和决策科学的预测竞赛产生,对各种类型和结构的候选模型进行了多个科学、理论和实际标准的综合评估,使用计算社会选择领域的投票规则进行标准分数的排序评估,可以对不同测量和模型类型进行整体评价。还讨论了其他优势和应用。
Mar, 2024
本研究通过分析多个方面的包括食品和服务等的用户生成的在线评论,使用观察数据识别并估计各方面的因果效应,并提出了一种利用多模态变量的方法,如消费者个人信息和消费者与企业之间的互动,以克服隐变量存在的挑战。实证评估表明该方法的有效性并为用户提供了可行的深层次的洞见。
Dec, 2021