当前位置:
X-MOL 学术
›
J. Intell. Inf. Syst.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Unsupervised tag recommendation for popular and cold products
Journal of Intelligent Information Systems ( IF 3.4 ) Pub Date : 2019-08-17 , DOI: 10.1007/s10844-019-00574-9 Anand Konjengbam , Nagendra Kumar , Manish Singh
Journal of Intelligent Information Systems ( IF 3.4 ) Pub Date : 2019-08-17 , DOI: 10.1007/s10844-019-00574-9 Anand Konjengbam , Nagendra Kumar , Manish Singh
The rapid expansion of the Internet and its connectivity has given tremendous growth to e-commerce sites. Product reviews form an indispensable part of e-commerce sites. However, it is challenging and laborious to go through hundreds of reviews. In this paper, we address the problem of summarizing reviews by means of informative and readable tags. We present a novel unsupervised method of generating tags and rank them based on relevance. We refine the generated tags using NLP syntactic rules to make them more informative. Our proposed Tagging Product Review (TPR) system takes into consideration the opinions expressed on the product or its aspects. We also address the problem of tag generation for cold products, which have only a limited number of reviews and that too, with very short content. We use transfer learning to build a tag cloud from popular product reviews and use it to identify good tags from cold product reviews. We evaluate our proposed system using online reviews of twelve products of varying popularity, collected from Amazon.com. Our result demonstrates the effectiveness of our approach at generating relevant tags compared to three popular baseline methods. Our proposed approach gives an average tag relevance score (NDCG) of around 79% for popular products and 85% for cold products. Our approach also gives an average precision of 89% for identifying correct tags. The results suggest that our TPR system successfully summarize reviews by means of tags.
中文翻译:
热门和冷门产品的无监督标签推荐
互联网及其连接性的快速扩展为电子商务网站带来了巨大的发展。产品评论是电子商务网站不可或缺的一部分。然而,通过数百条评论是具有挑战性和费力的。在本文中,我们通过信息性和可读性标签解决了总结评论的问题。我们提出了一种新的无监督生成标签的方法,并根据相关性对它们进行排名。我们使用 NLP 句法规则细化生成的标签,使其更具信息性。我们提议的标签产品审查 (TPR) 系统考虑了对产品或其方面表达的意见。我们还解决了冷产品的标签生成问题,这些产品的评论数量有限,而且内容非常短。我们使用迁移学习从流行的产品评论中构建标签云,并使用它从冷的产品评论中识别好的标签。我们使用从 Amazon.com 收集的十二种不同受欢迎程度的产品的在线评论来评估我们提出的系统。与三种流行的基线方法相比,我们的结果证明了我们的方法在生成相关标签方面的有效性。我们提出的方法给出了流行产品的平均标签相关性得分 (NDCG) 约为 79%,冷门产品的平均标签相关性得分 (NDCG) 约为 85%。我们的方法还为识别正确标签提供了 89% 的平均精度。结果表明,我们的 TPR 系统通过标签成功地总结了评论。从 Amazon.com 收集。与三种流行的基线方法相比,我们的结果证明了我们的方法在生成相关标签方面的有效性。我们提出的方法给出了流行产品的平均标签相关性得分 (NDCG) 约为 79%,冷门产品的平均标签相关性得分 (NDCG) 约为 85%。我们的方法还为识别正确标签提供了 89% 的平均精度。结果表明,我们的 TPR 系统通过标签成功地总结了评论。从 Amazon.com 收集。与三种流行的基线方法相比,我们的结果证明了我们的方法在生成相关标签方面的有效性。我们提出的方法给出了流行产品的平均标签相关性得分 (NDCG) 约为 79%,冷门产品的平均标签相关性得分 (NDCG) 约为 85%。我们的方法还为识别正确标签提供了 89% 的平均精度。结果表明,我们的 TPR 系统通过标签成功地总结了评论。
更新日期:2019-08-17
中文翻译:
热门和冷门产品的无监督标签推荐
互联网及其连接性的快速扩展为电子商务网站带来了巨大的发展。产品评论是电子商务网站不可或缺的一部分。然而,通过数百条评论是具有挑战性和费力的。在本文中,我们通过信息性和可读性标签解决了总结评论的问题。我们提出了一种新的无监督生成标签的方法,并根据相关性对它们进行排名。我们使用 NLP 句法规则细化生成的标签,使其更具信息性。我们提议的标签产品审查 (TPR) 系统考虑了对产品或其方面表达的意见。我们还解决了冷产品的标签生成问题,这些产品的评论数量有限,而且内容非常短。我们使用迁移学习从流行的产品评论中构建标签云,并使用它从冷的产品评论中识别好的标签。我们使用从 Amazon.com 收集的十二种不同受欢迎程度的产品的在线评论来评估我们提出的系统。与三种流行的基线方法相比,我们的结果证明了我们的方法在生成相关标签方面的有效性。我们提出的方法给出了流行产品的平均标签相关性得分 (NDCG) 约为 79%,冷门产品的平均标签相关性得分 (NDCG) 约为 85%。我们的方法还为识别正确标签提供了 89% 的平均精度。结果表明,我们的 TPR 系统通过标签成功地总结了评论。从 Amazon.com 收集。与三种流行的基线方法相比,我们的结果证明了我们的方法在生成相关标签方面的有效性。我们提出的方法给出了流行产品的平均标签相关性得分 (NDCG) 约为 79%,冷门产品的平均标签相关性得分 (NDCG) 约为 85%。我们的方法还为识别正确标签提供了 89% 的平均精度。结果表明,我们的 TPR 系统通过标签成功地总结了评论。从 Amazon.com 收集。与三种流行的基线方法相比,我们的结果证明了我们的方法在生成相关标签方面的有效性。我们提出的方法给出了流行产品的平均标签相关性得分 (NDCG) 约为 79%,冷门产品的平均标签相关性得分 (NDCG) 约为 85%。我们的方法还为识别正确标签提供了 89% 的平均精度。结果表明,我们的 TPR 系统通过标签成功地总结了评论。