Optimizing Multi-Class Text Classification: A Diverse Stacking Ensemble Framework Utilizing Transformers
针对单分类器在客户评论多类文本分类中存在过拟合和偏差的问题,提出融合BERT、ELECTRA等基础Transformer与RoBERTa元分类器的堆叠集成方法,在真实评论数据集上准确率和鲁棒性优于传统单模型,助力企业数据驱动决策。
2023-08-19 cs.AI cs.CL
Predicting Customer Call Intent by Analyzing Phone Call Transcripts based on CNN for Multi-Class Classification
Marchex Inc(Marchex公司)
汽车经销商每天都会接到数千个对销售、服务、供应商和求职者感兴趣的客户打来的电话。有了这么多的电话,这是非常重要的汽车经销商了解这些电话的意图,以提供积极的客户体验,确保客户满意度,深入的客户参与,以提高销售和收入,并在整个业务的代理或客户服务代表的最佳分配.在本文中,我们定义的问题,客户的电话通话意图作为一个多类分类问题,从大型数据库中记录的电话通话记录。为了解决这个问题,我们开发了一个基于卷积神经网络(CNN)的监督学习模型,将客户呼叫分为四个意图类别:销售,服务,供应商和求职者。实验结果表明,基于CNN的预测模型能够提供足够的训练数据,在F1-Score、查准率、查全率和查准率等量化指标上,对长文本分类有很好的效果。
2019-07-08 cs.CL cs.LG stat.ML
Graph Neural Networks to Predict Customer Satisfaction Following Interactions with a Corporate Call Center
American Family Insurance(美国家庭保险);University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
客户满意度是与客户建立和保持长期关系的重要因素。近实时识别潜在的不满意的客户后,电话可以提供组织的机会,采取有意义的干预措施,并促进持续的客户满意度和忠诚度。这项工作描述了一个完全可操作的系统,我们已经开发了一个大型美国公司预测客户满意度后,来电。该系统作为一个输入语音到文本的transmittance的电话,并预测呼叫满意度报告的客户在电话后的调查(规模从1到10)。由于其顺序性、主观性和经常高度偏斜的性质,预测调查分数不是一项微不足道的任务,并提出了几个建模挑战。我们引入了一种图神经网络(GNN)方法,该方法通过考虑批次之间的相对分数来考虑问题的比较性质,而不是在训练时只考虑成对的调用。这种方法比以前的方法产生更准确的预测,包括标准回归和分类模型,直接拟合调查分数与呼叫数据。我们提出的方法可以很容易地推广到其他客户满意度预测问题。
2021-01-31 cs.CL cs.LG
Tweets Sentiment Analysis via Word Embeddings and Machine Learning Techniques
社交媒体数据的情感分析包括态度、评估和情感,这些可以被认为是人类思考的一种方式。理解大量文件并将其分为正反两方面是一项非常困难的任务。Twitter、Facebook和Instagram等社交网络提供了一个平台,以收集有关人们情绪和意见的信息。考虑到人们每天在社交媒体上花费数小时并分享他们对各种不同主题的看法,这有助于我们更好地分析情绪。越来越多的公司正在使用社交媒体工具来提供各种服务并与客户互动。情感分析(SA)将给定推文的极性分类为正面推文和负面推文,以了解公众的情感。本文旨在使用特征选择模型word2vec和用于情感分类的机器学习算法随机森林对2019年选举的实时Twitter数据进行情感分析。Word2vec与随机森林相比,显著提高了情感分析的准确性。Word2vec通过考虑文本中单词的上下文语义来提高特征的质量,从而提高了机器学习和情感分析的准确性。
2020-07-05 cs.CL
Unsupervised Contextual Paraphrase Generation using Lexical Control and Reinforcement Learning
IIIT Bangalore(印度信息技术学院班加罗尔分校);Swiggy(斯威吉公司)
通过聊天的客户支持要求代理以最短的等待时间和最大的客户满意度解决客户查询。鉴于代理以及客户可以具有不同的识字水平,代理提供的响应的整体质量往往是穷人,如果他们没有预定义的。但是,仅使用静态响应可能会导致客户减损,因为客户往往会觉得他们不再与人类互动。因此,至关重要的是有变化的静态响应,以减少单调性的响应。然而,维护这样的变化的列表可能是昂贵的。鉴于会话上下文和代理响应,我们提出了一个无监督的框架,使用自回归模型生成上下文释义。我们还提出了一个基于语义相似性,文本蕴涵,表达多样性和流畅性的自动化度量来评估上下文释义的质量,并使用自动化度量作为奖励函数,通过强化学习(RL)微调来展示性能改进。
2021-03-23 cs.AI cs.CL cs.LG
Discovering conversational topics and emotions associated with Demonetization tweets in India
Govt. College of Engineering & Ceramic Technology(政府工程与陶瓷技术学院);Indian Institute of Management Calcutta(印度管理学院加尔各答分校)
社交媒体平台包含大量信息,为我们提供了探索隐藏模式或未知相关性的机会,并了解人们对他们所讨论的内容的满意度。作为一个展示,在本文中,我们总结了与最近所有Rs的非货币化相关的Twitter消息的数据集。500卢比印度的1000个笔记,并从Twitter的数据中探索见解。我们提出的系统自动提取流行的潜在主题的对话中讨论的废钞通过潜在的Dirichlet分配(LDA)为基础的主题模型在Twitter上,还确定了相关的主题在不同的类别。此外,它还通过情绪分析器发现人们通过与正在考虑的事件相关的推文表达的意见。该系统还采用直观和信息可视化来显示未发现的洞察力。此外,我们使用的评价措施,归一化互信息(NMI),选择最好的LDA模型。LDA结果表明,该工具可以有效地提取讨论主题,并将其汇总,以供进一步的人工分析。
2017-11-11 cs.CL
Turkish Sentiment Analysis Using Machine Learning Methods: Application on Online Food Order Site Reviews
Dokuz Eylul University(多库兹埃卢尔大学)
满意度测量,这出现在今天的每一个部门,是一个非常重要的因素,许多公司。在这项研究中,它的目的是通过使用Yemek Sepeti的数据和这些数据的变化,利用各种机器学习算法达到最高的准确率。每种算法的准确度值与所使用的各种自然语言处理方法一起计算。在计算这些精度值时,试图优化所使用的算法的参数。在这项研究中,在标记数据上训练的模型可以用于未标记数据,并可以为公司提供衡量客户满意度的想法。据观察,3种不同的自然语言处理方法的应用导致在大多数开发的模型中的准确性增加约5%。
2022-01-11 cs.CL cs.LG
Identifying negativity factors from social media text corpus using sentiment analysis method
University of Balochistan(俾路支大学);SBK Women’s University Balochistan(俾路支SBK女子大学);Institute of Management Sciences(管理科学研究所)
自动情感分析在决策中起着重要的作用。许多组织花费大量预算通过手动查看他们的反馈/评论或推文来了解他们的客户满意度。自动情感分析可以给出针对任何事件、产品或活动接收到的评论的整体画面。通常,评论/推文被分为两个主要类别,即负面或正面。然而,负面评论过于抽象,无法理解基本原因或上下文。各组织有兴趣查明消极的确切原因。在这项研究中,我们分层地进入负面评论,并将它们与更多的类联系起来。推文是从Twitter和Facebook等社交媒体网站提取的。如果情感分析将任何推文分类为负面类别,则我们进一步尝试将该负面评论与更多可能的负面类别相关联。根据专家意见,负面评论/推文进一步分为8类。不同的机器学习算法进行评估,并报告其准确性。
2021-07-06 cs.AI cs.CL
Application of Natural Language Processing to Determine User Satisfaction in Public Services
University College London(伦敦大学学院);University of Essex(埃塞克斯大学);ESADE(ESADE商学院)
近年来,对顾客满意度的研究大量增加。然而,满意度的不同决定因素之间的相对重要性和关系仍然不确定。此外,迄今为止的定量研究倾向于测试被认为具有影响力的预定因素的重要性,而没有可扩展的手段来确定用户满意度的其他原因。由于知识上的差距,很难利用现有的关于用户对改善公共服务的偏好的知识。与此同时,数字技术的发展使收集用户反馈的新方法成为可能,例如通过在线论坛,用户可以自由评论他们的体验。需要新的工具来分析大量的此类反馈。使用主题模型提出了一个可行的解决方案,聚合开放式的用户意见,可以很容易地部署在公共部门。所产生的见解有助于在提供公共服务方面形成更具包容性的决策进程。这种新的方法论的方法适用于公共资助的初级保健实践在英格兰的服务审查的情况下。对覆盖近7,700个初级保健中心的145,000条评论的分析结果表明,与工作人员和官僚紧急情况的互动质量是推动英格兰用户满意度的关键问题。
2017-11-21 cs.CL
Predicting Customer Satisfaction by Replicating the Survey Response Distribution
Dialpad Canada Inc.(Dialpad加拿大公司)
本文提出一种预测客户满意度的方法,使预测CSAT分数能准确复现调查响应分布,从而减少偏差并改善多分类问题中的类别平衡。
2024-11-19 cs.AI cs.CL cs.LG
Public Sentiment Toward Solar Energy: Opinion Mining of Twitter Using a Transformer-Based Language Model
University of Colorado Boulder(科罗拉多大学博尔德分校);University of Colorado Denver(科罗拉多大学丹佛分校)
公众对可再生能源的接受和支持是可再生能源政策和市场条件的重要决定因素。本文使用Twitter的数据研究了美国公众对太阳能的看法,Twitter是一个微博平台,人们在其中发布消息,称为推文。我们过滤了特定于太阳能的推文,并使用来自Transformers的鲁棒优化的双向编码器表示(RobERTa)执行分类任务。分析2020年1月底至7月初期间的71,262条推文,我们发现各州的公众情绪差异很大。在研究期间,美国东北部地区对太阳能的态度比美国南部地区更积极。太阳辐射与各州太阳情绪的变化无关。我们还发现,公众对太阳能的看法与可再生能源政策和市场条件相关,具体而言,可再生能源组合标准(RPS)目标,客户友好的净计量政策和成熟的太阳能市场。
2020-07-27 cs.CL cs.CY
Enhancing Airline Customer Satisfaction: A Machine Learning and Causal Analysis Approach
Georgia Institute Of Technology(佐治亚理工学院)
本研究结合机器学习与因果推断方法,聚焦在线值机登机牌体验,验证了航空客服数字化改进可显著提升客户满意度,为航司以数据驱动优化体验、提升竞争力提供了决策依据。
2024-05-15 cs.LG stat.ME
Ensembling Multilingual Transformers for Robust Sentiment Analysis of Tweets
Department of Computer Science, University of South Carolina, USA(南卡罗来纳大学计算机科学系);Artificial Intelligence Institute, University of South Carolina, USA(南卡罗来纳大学人工智能研究所);Department of Civil, Environmental, and Ocean Engineering, Stevens Institute of Technology, New Jersey, USA(史蒂文斯理工学院土木、环境与海洋工程系);School of Computing, University of Nebraska–Lincoln, Lincoln, Nebraska, USA(内布拉斯加大学林肯分校计算机学院);Department of Computer Science, Bowling Green State University, Bowling Green, Ohio, USA(伯灵顿州立大学计算机科学系)
针对外语场景缺乏标注数据导致的推文情感分析难题,本文集成 bert-base-multilingual-uncased-sentiment 与 XLM-R,并结合 LLM,在多语言数据集上取得超过 86% 的性能。
2025-09-28 cs.CL
What do the US West Coast Public Libraries Post on Twitter?
University of South Carolina(南卡罗来纳大学)
Twitter为公共图书馆提供了一个很好的机会,可以为各种目的传播信息。Twitter数据已被应用于不同的领域,如健康,政治和历史。在美国有成千上万的公共图书馆,但还没有研究调查他们的社交媒体帖子的内容,如推文,以找到他们的兴趣。此外,对Twitter内容的传统内容分析对于探索数千条推文来说不是一项有效的任务。因此,需要自动方法来克服手动方法的局限性。本文提出了一种计算方法来收集和分析使用Twitter应用程序编程接口(API),并调查了超过138,000推文从48个美国西海岸图书馆使用主题建模。我们找到了20个主题,并将它们分配到五个类别,包括公共关系,书籍,活动,培训和社会公益。我们的研究结果表明,美国西海岸的图书馆更感兴趣的是使用Twitter的公共关系和图书相关的事件。本研究对图书馆及其他组织探索其客户和自身的社会化媒体活动具有实践和理论应用价值。
2018-09-28 cs.CL cs.CY stat.AP
SentiLSTM: A Deep Learning Approach for Sentiment Analysis of Restaurant Reviews
Chittagong University of Engineering and Technology(吉大港工程技术大学)
由于互联网的轻松访问和各种Web 2.0应用程序的发展,文本数据生成的数量大大增加。这些文本数据的产生是因为人们以推文、Facebook帖子或状态、博客文章和评论的形式表达他们对任何产品或服务的意见、情感或情绪。情感分析处理的是通过计算识别和分类文本中表达的观点的过程,特别是为了确定作者对特定主题的态度是积极的,消极的还是中立的。顾客评论对感知顾客对餐厅的态度有显著的影响。因此,从评论中自动检测情感对于餐馆所有者或服务提供商和顾客来说是有利的,以使他们的决策或服务更令人满意。本文提出了一种基于深度学习的技术(即,BiLSTM)将餐厅客户提供的评论分为正极性和负极性。一个语料库由8435评论构建,以评估所提出的技术。此外,提出的技术与其他机器学习算法的比较分析。测试数据集的评估结果表明,BiLSTM技术的准确率最高,达到91.35%。
2020-11-19 cs.CL
On the Challenges of Sentiment Analysis for Dynamic Events
Kno.e.sis Center, Wright State University(莱特州立大学 Kno.e.sis 中心);Cognovi Labs
随着社交媒体在过去十年中的激增,确定人们对特定主题、文档、交互或事件的态度激发了人们对自然语言处理的研究兴趣,并引入了一种称为情感和情绪分析的新渠道。例如,企业通常希望开发系统,通过识别相关内容来自动理解他们的客户对话,以加强他们的产品营销和管理他们的声誉。此前评估人们在Twitter上情绪的努力表明,Twitter可能是研究政治情绪的宝贵资源,它反映了离线政治格局。根据皮尤研究中心的一份报告,2016年1月,44%的美国成年人表示通过社交媒体了解了总统选举。此外,24%的人表示使用两位候选人的社交媒体帖子作为新闻和信息来源,这一比例超过了使用两位候选人网站或电子邮件的15%。特朗普和希拉里之间的第一场总统辩论是有史以来推特上最多的辩论,有1710万条推文。
2017-10-06 cs.CL
Model in Distress: Sentiment Analysis on French Synthetic Social Media
PleIAs;RATP Group(RATP集团);CAIRO;EPFL(苏黎世联邦理工学院)
本文提出了一种通用合成数据生成管道,用于法语公共交通顾客 distress 检测,通过回译和合成推理轨迹生成170万条合成推文,训练出77-79%准确率的推理器,降低标注成本并保护隐私。
2026-10-07 cs.CL
Beyond Means: A Dynamic Framework for Predicting Customer Satisfaction
ETH Zurich, Switzerland(苏黎世联邦理工学院,瑞士);LMU Munich & Munich Center for Machine Learning (MCML), Germany(慕尼黑大学 & 慕尼黑机器学习中心(MCML),德国);University of Cologne, Germany(科隆大学,德国)
针对现有评分聚合方法无法适配质量时序变化、忽略评论异质性的问题,提出定制化高斯过程评分聚合模型,基于Yelp数据集验证其可提升未来评分预测精度,为在线声誉系统提供更准确的满意度信号。
2025-11-18 cs.LG
Classification of Emotions and Evaluation of Customer Satisfaction from Speech in Real World Acoustic Environments
University of Antioquia(安蒂奥基亚大学);Konecta Group S.A.S.(Konecta集团股份有限公司)
本文的重点是找到合适的功能,鲁棒地识别情感和评估客户满意度的语音在真实的声学场景。情绪的分类是基于标准和众所周知的语料库和客户满意度的评估是基于记录的真实意见的客户在电话期间收到的服务与呼叫中心代理。本研究中考虑的特征集包括两个说话人模型,即x-向量和i-向量,以及在Interspeech 2010 Paralinguistics Challenge(I2010 PC)中引入的著名特征集。此外,我们介绍了使用发声,清晰度和韵律特征提取的DisVoice框架作为替代功能集,强大的模型的情绪和客户满意度从语音。结果表明,I2010 PC特征集是在文献中通常使用的标准数据库中对情绪进行分类的最佳方法。当考虑在呼叫中心收集的录音时,在没有对声学条件进行任何控制的情况下,使用我们的清晰度功能可以获得最佳结果。I2010 PC功能集包括1584个测量值,而接合方法仅包括488个测量值。我们认为,所提出的方法是更适合于现实世界中的应用,声学条件不受控制,也是潜在的更方便的工业应用。
2021-08-26 cs.LG cs.SD eess.AS
Machine Learning based English Sentiment Analysis
Ton Duc Thang University(顿德唐大学);Lac Hong University(乐鸿大学)
情感分析或意见挖掘旨在确定客户对产品或服务的态度、判断和意见。这是一个很好的系统,可以帮助制造商或服务商了解客户对其产品或服务的满意度。因此,他们可以进行适当的调整。我们使用一种流行的机器学习方法,即支持向量机,结合Waikato Environment for Knowledge Analysis(WEKA)中的库,构建Java Web程序,对属于四类女性产品之一的英文评论进行情感分析。有裙子,手袋,鞋子和戒指。我们已经开发并测试了我们的系统,训练集有300条评论,测试集有400条评论。该系统的实验结果表明,对正面评论的准确率、召回率和F值分别为89.3%、95.0%和92.1%,对负面评论的准确率、召回率和F值分别为97.1%、78.5%和86.8%,对中性评论的准确率、召回率和F值分别为76.7%、86.2%和81.2%。
2019-05-16 cs.CL
Needmining: Identifying micro blog data containing customer needs
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
新产品和服务的设计始于确定潜在客户或用户的需求。许多现有的方法,如观察、调查和实验,都是通过具体的努力来引出个人未满足的需求。与此同时,微博上大量的用户原创内容可以免费获取。虽然已经对这些信息进行了分析,以监测对现有产品的看法,但尚未利用这些信息来激发需求。在本文中,我们为这一努力奠定了重要的基础:我们提出了一种机器学习方法来识别那些表达需求的帖子。我们的评估,在电子移动领域的推文表明,相关的推文的小份额可以识别显着的精度或召回结果。应用到庞大的数据集,开发的方法应该使可扩展的需求启发支持创新经理-在成千上万的用户,从而增加了服务设计工具集提供给他。
2020-03-12 cs.IR cs.LG
Fine-grained Geolocation Prediction of Tweets with Human Machine Collaboration
Georgia Institute of Technology(佐治亚理工学院)
Twitter是分析人们对各种主题的意见的有用资源。这些主题通常与这些推文发布的位置相关或相关联。例如,餐馆老板可能需要知道他们的目标客户在哪里吃饭,以了解与食物相关的帖子的情绪,政策规划者可能需要分析公民对城市或县或州的特定部分的相关问题,如犯罪,安全,拥堵等的意见。尽管这很有希望,但只有不到$1\%$的抓取推文帖子带有地理位置标签。这使得准确预测非地理标记推文的推文帖子对于分析各个领域的数据非常重要。在这项研究中,我们利用数百万条Twitter帖子和最终用户的领域专业知识,使用自然语言处理(NLP)技术构建了一组深度神经网络模型,该模型可以预测不同粒度级别的非地理标记的Twitter帖子的地理位置,例如社区,邮政编码和经度与纬度。通过多个神经架构实验和协作式人机工作流设计,我们正在进行的地理位置检测工作显示出令人鼓舞的结果,使最终用户能够将选择变量与位置信息之间的关系关联起来。
2021-06-25 cs.CL cs.LG cs.SI
Which Channel to Ask My Question? Personalized Customer Service Request Stream Routing using Deep Reinforcement Learning
School of Software, Shandong University, Jinan 250101, Shandong, China(中国山东省济南市山东大学软件学院,邮编250101);RMIT University, GPO Box 2476, Melbourne VIC 3001 Australia(澳大利亚维多利亚州墨尔本皇家墨尔本理工大学,GPO Box 2476,邮编3001);Alibaba Group, 969 West Wen Yi Road, Hangzhou 311121, Zhejiang, China(中国浙江省杭州市阿里巴巴集团,文一西路969号,邮编311121);School of Computer Science and Engineering, Nanyang Technological University, 50 Nanyang Avenue, Singapore, 639798(新加坡南洋理工大学计算机科学与工程学院,南洋大道50号,邮编639798)
客户服务对所有公司都至关重要,因为它们可能直接关系到品牌声誉。由于客户数量庞大,电子商务公司通常采用多种沟通渠道来回答客户的问题,例如聊天机器人和热线。一方面,每个渠道响应客户需求的能力有限,另一方面,客户对这些渠道的偏好也各不相同。现有的生产系统主要是基于业务规则建立的,只考虑资源和客户满意度之间的权衡。为了实现资源和客户满意度之间的最佳权衡,我们提出了一个新的框架,基于深度强化学习,它直接考虑资源和用户模型。除了该框架之外,我们还提出了一种新的基于深度强化学习的路由方法-双重决斗深度Q学习与优先经验重放(PER-DoDDQN)。我们使用来自一家大型金融科技公司的合成和真实客户服务日志数据来评估我们提出的框架和方法。我们表明,我们提出的基于深度强化学习的框架优于现有的生产系统。此外,我们还证明了我们提出的PER-DoDDQN在实践中优于所有其他深度Q学习变体,这提供了更优化的路由计划。这些观察结果表明,我们提出的方法可以寻求折衷的渠道资源和客户的满意度是最佳的。
2019-11-24 cs.AI cs.LG eess.SP
An explainable machine learning-based approach for analyzing customers' online data to identify the importance of product attributes
Iran University of Science & Technology(伊朗科技大学)
本研究提出一种结合遗传算法与SHAP的博弈论机器学习方法,用于分析客户在线数据,识别产品属性重要性,并在真实笔记本电脑数据集上验证其优于基准方法,为产品设计提供全面启示。
2024-02-03 cs.GT cs.LG
Enhancing Precision of Automated Teller Machines Network Quality Assessment: Machine Learning and Multi Classifier Fusion Approaches
University of Tehran(德黑兰大学);Pulseware Company(Pulseware公司);University of Waterloo(滑铁卢大学)
本文提出基于堆叠分类器融合随机森林、LightGBM和CatBoost并结合SMOTE的ATM网络质量评估方法,将误报率从3.56%降至0.71%,准确率达99.29%。
2025-01-02 cs.LG
Travel Time Prediction in Supply Chain Management Using Machine Learning
Swiss School of Business and Management, Geneva(瑞士商学院日内瓦校区)
本研究利用机器学习和深度学习方法,基于大量历史数据构建模型,以准确预测供应链系统中运输和物流的运输时间,从而提高物流一致性和绩效。
2026-10-01 cs.AI cs.LG
Acoustic and linguistic representations for speech continuous emotion recognition in call center conversations
LIUM(勒芒大学信息实验室);Le Mans Université(勒芒大学);LIA(阿维尼翁大学信息实验室);Avignon Université(阿维尼翁大学);Allomedia(Allomedia公司)
针对呼叫中心语音情感识别标注数据不足的问题,本研究探索预训练声学与语言表征的应用,发现语言内容(尤其是CamemBERT表征)对满意度预测贡献最大,融合方法对标注主观性更鲁棒,并分析了性能波动与语言模态高贡献的原因。
2023-10-06 cs.AI cs.CL cs.LG
Cross-Domain Consumer Review Analysis
New York University(纽约大学)
本文提出了一个跨域评论分析四个流行的评论数据集:亚马逊,Yelp,蒸汽,IMDb。分析使用Hadoop和Spark执行,这允许高效和可扩展地处理大型数据集。通过研究来自这四个在线论坛的近1200万条评论,我们希望发现多年来销售和客户情绪的有趣趋势。我们的分析将包括对评论数量及其随时间分布的研究,以及对各种评论属性之间关系的研究,如支持率,创建时间,评级和情绪。通过比较不同领域的评论,我们希望深入了解不同产品类别中推动客户满意度和参与度的因素。
2022-12-23 cs.DC cs.IR cs.LG
Towards Fair Recommendation in Two-Sided Platforms
Harvard University(哈佛大学);Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);L3S Research Center(L3S研究中心);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Indian Institute of Technology Delhi(印度理工学院德里分校)
今天的许多在线平台(如亚马逊,Netflix,Spotify,LinkedIn和AirBnB)可以被认为是商品和服务的生产者和消费者的双边市场。传统上,这些平台中的推荐服务专注于根据个人客户的个性化偏好定制结果,从而最大限度地提高客户满意度。然而,我们的调查加强了这样一个事实,即这些服务的这种以客户为中心的设计可能会导致生产者的风险分配不公平,这可能会对他们的福祉产生不利影响。另一方面,纯粹以生产者为中心的设计可能对客户不公平。随着越来越多的人依靠这些平台谋生,确保对生产者和消费者的公平至关重要。在这项工作中,通过映射一个公平的个性化推荐问题的公平分配不可分割的商品的问题的约束版本,我们建议为双方提供公平的保证。形式上,我们提出的{ \em FairRec}算法保证了生产商的最大-最小曝光份额($α$ -MMS),以及客户的无嫉妒最多一项(EF 1)公平性。在多个真实世界数据集上的广泛评估显示了{ \em FairRec}在确保双侧公平性的同时在总体推荐质量上产生边际损失的有效性。最后,我们提出了一个修改的FairRec(命名为FairRecPlus),在额外的计算时间的成本,提高了客户的推荐性能,同时保持相同的公平性保证。
2021-12-26 cs.AI cs.IR cs.LG
Enhancing Next Destination Prediction: A Novel Long Short-Term Memory Neural Network Approach Using Real-World Airline Data
Middle East Technical University(中东技术大学);TED University(TED大学);Osmaniye Korkut Ata University(奥斯曼尼耶科尔库特阿塔大学)
针对交通行业旅客下一目的地预测需求,提出一种结合滑动窗口的新型LSTM模型,可捕捉出行数据序列模式,在不同数据规模下表现优异,助力企业优化客户体验。
2024-09-16 cs.AI cs.LG