Product Rating Distribution Estimation Using an LDL-Based Method with Uniform Manifold Approximation and Projection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ratings of products serve as a crucial indicator for assessing the impact of products in the retail market. Existing methods in rating estimation of product primarily use single-label machine learning methods, where the prediction may fail to represent the whole properties of products. This paper explores a challenging task to obtain product rating distribution estimation (RDE), which predict the distribution of product ratings instead of a single rating. Specifically, we focus on RDE of follower brands product, which provide relatively objective artifacts and easier to collect data. We formulate the RDE task based on a label distribution learning (LDL) framework, which uses the maximum entropy model functions as the output component of LDL, and generate the probability distribution for each category. However, one of the main challenge of conducting the RDE task within the LDL framework is that the large number of labels leads to an exponentially growing output space, which increases model complexity and reduces its performance. To address this problem, we propose a new model, called RDE-LDL, with an adaptive manifold learning module. The RDE-LDL method use uniform manifold approximation and projection (UMAP) to represent the label distribution manifold via fuzzy simplicial sets, which encodes label correlation information, and allows to regularize the maximum entropy model’s output based on label correlation. Quantitative and qualitative experiments conducted on a marketing dataset verified the demonstrates the effectiveness of the RDE-LDL method with the UMAP-based module.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle