User Personalized Satisfaction Prediction via Multiple Instance Deep Learning

少し古いですが、興味があったので、読んでみました。

論文リンク
User Personalized Satisfaction Prediction via Multiple Instance Deep Learning

User Personalized Satisfaction Prediction via
Multiple Instance Deep Learning

 

論文概要

CQAサービスにおいて、ユーザーの個別満足度を予測するためのmultiple instance learning framework(MILF)を提案しています。
このネットワークのベースは、Bi-directional LSTMです。

 

論文のモチベーション

そもそもCQAには根本的な問題があります。
それはユーザーが満足する回答に1日もしくは1週間かかったりしている場合があるからです。
そこでユーザーが満足度を予測することが重要になってくる、というのがモチベーションになります。

CQA

Community question answeringの略です。
ユーザーが質問し、ユーザーがその質問に回答する形式のサービスです。
stack over flowなどが有名ですね。

 

何を主張している論文なのか

タスクとしては、弱教師あり学習になります。
ユーザーの満足度を予測するまでのフローは下記の流れとなります。

【学習の流れ】
1. 各単語のone-hot表現を求める
2. 質問と回答のrepresentationを作るためにBi-directional LSTMを1に適用し、ユーザーembeddingを初期化
3. 各質問とその質問者とを連結して、質問者の質問に対する意図を表すQ-U表現を形成
4. Bi-directional LSTMにQ-U表現を適用
5. max pooling 適用
6. ロジスティック回帰に適用し、ユーザーの満足度を予測

Image from Gyazo
論文より引用

 

実験・実験結果

評価方法は、Precision, Recall, F1値, Accuracyを使用しています。
比較するモデルについては8つ使用しており、SVM, RandomForestなどの進化したもの?(ASP SVM, ASP C4.5) を使用しています。

下記結果から分かる通り、今回提案されたものが最高の精度を出しています。

Image from Gyazo
論文より引用

 

感想

個人的には、下記のモチベーションがよくわからなかった。
これを予測することで、何ができるんだろうか…
ユーザーのモチベーションを管理したいのかな….

ユーザーが満足する回答に1日もしくは1週間かかったりしている状況がある
             ↓
     ユーザーの満足度を予測することが重要