An Integrated Hybrid Recommendation and Trust-Aware Review Intelligence Framework for Reliable Service Provider Matching
Dieses Paper schlägt ein integriertes hybrides Framework vor, das TF-IDF, semantische Ähnlichkeit und Collaborative Filtering für die Auswahl potenzieller Anbieter mit einem vertrauensbasierten Review-Intelligenzsystem unter Verwendung von Multi-Task BiLSTM und Isolation Forest kombiniert, um aspektbezogene Sentiment-Analysen und die Glaubwürdigkeit von Rezensionen zu analysieren und dadurch durch eine einheitliche Re-Ranking-Pipeline ein zuverlässigeres Matching von Dienstleistern zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Einen qualifizierten Fachmann zu finden, um ein undichtes Rohr zu reparieren, eine Decke einzuziehen oder ein Auto zu reparieren, ist etwas, das fast jeder tut, doch die digitalen Marktplätze, die darauf ausgelegt sind, Kunden mit diesen Arbeitern zu verbinden, lassen die Menschen oft im Unklaren. Wenn ein Nutzer eine Anfrage in ein Suchfeld eingibt, muss das System entscheiden, welcher von tausenden registrierten Anbietern der beste Partner ist. Traditionelle Systeme verlassen sich auf einfaches Schlüsselwort-Matching, suchen nach exakten Wortüberschneidungen zwischen dem, was ein Kunde fragt, und dem, was ein Anbieter anbietet, oder sie stützen sich stark auf eine einzige numerische Sternebewertung. Diese Methoden verfehlen jedoch oft das Ziel. Ein Kunde, der fragt, ob man einen „tropfenden Wasserhahn reparieren“ kann, und ein Anbieter, der sich selbst als „Klempner, der Lecks repariert“, beschreibt, sprechen über denselben Bedarf, aber ein einfaches Wortzählsystem könnte die Verbindung nicht erkennen. Darüber hinaus kann eine einzelne Zahl die Nuancen eines Service-Erlebnisses nicht erfassen, das in Bezug auf die Arbeitsqualität hervorragend, aber in Bezug auf Pünktlichkeit oder Kommunikation mangelhaft sein könnte. Noch problematischer ist, dass nicht alle Bewertungen vertrauenswürdig sind; einige sind gefälscht, manipuliert oder von Menschen mit ungewöhnlichen Verhaltensmustern geschrieben, und jede Bewertung als gleichermaßen gültig zu behandeln, kann den wahren Ruf eines Anbieters verzerren. Forscher des Sri Lanka Institute of Information Technology haben ein neues Framework entwickelt, um diese Probleme zu lösen, indem sie zwei unterschiedliche Ansätze kombinieren: einen, der relevante Anbieter findet, und einen anderen, der die Zuverlässigkeit des erhaltenen Feedbacks überprüft.
Die Forscher bauten ein zweistufiges System, das darauf ausgelegt ist, zuerst eine Shortlist wahrscheinlicher Kandidaten zu identifizieren und dann das mit ihnen verknüpfte Feedback tiefgehend zu analysen, um die Vertrauenswürdigkeit sicherzustellen. In der ersten Stufe fungiert das System als breiter Filter, der eine Datenbank von zehntausend Anbietern gegen zwanzigtausend Kundenanfragen scannt. Anstatt sich nur auf eine Methode zu verlassen, nutzt es drei verschiedene Wege, um die Relevanz gleichzeitig zu messen. Es prüft auf direkte Schlüsselwortübereinstimmungen, verwendet fortschrittliche Sprachmodelle, um die Bedeutung hinter verschiedenen Formulierungen einer Anfrage zu verstehen, und untersucht historische Daten, um zu sehen, wie oft ein Anbieter erfolgreich Aufträge für Nutzer ähnlich der suchenden Person abgeschlossen hat. Diese drei Signale werden zusammengeführt, um einen einzigen Score zu erstellen, der die massive Liste der Anbieter auf eine handhabbare Gruppe der relevantesten Kandidaten einschrelt. Dieser Ansatz erwies sich als effektiver als jede einzelne Methode allein und identifizierte die richtigen Anbieter mit hoher Präzision.
Sob Lov das System eine Shortlist von Kandidaten erstellt hat, bewegt es sich in die zweite Stufe, die als Qualitätskontroll- und Vertrauensverifikations Einheit fungiert. Hier betrachtet das System nicht nur die durchschnittliche Sternebewertung; es liest den eigentlichen Text von fünfundzwanzigtausend Kundenbewertungen aus vierzehn verschiedenen Dienstleistungskategorien, wie etwa Maurerarbeiten, Elektroarbeiten und Fahrzeugreparatur. Es zerlegt jede Bewertung, um spezifische Aspekte des Services zu verstehen: die Qualität der Arbeit, ob der Anbieter pünktlich war, wie gut sie kommunizierten und ihr Maß an Professionalität. Unter Verwendung eines hochentwickelten neuronalen Netzes sagt das System die Stimmung (Sentiment) für jeden dieser vier Bereiche separat voraus und erkennt dabei, dass ein Anbieter zwar für seine Geschicklichkeit gelobt, aber für seine Unpünktlichkeit kritisiert werden kann. Gleichzeitig untersucht ein separates Modul die Bewertungen auf Anzeichen von Unzuverlässigkeit. Es sucht nach linguistischen Mustern und Verhaltenshinweisen, wie ungewöhnlichen Wortwahlen oder repetitiven Formulierungen, um Bewertungen zu kennzeichnen, die verdächtig oder anomal sein könnten. Bewertungen, die als glaubwürdig erscheinen, erhalten mehr Gewicht, während solche, die als potenziell gefälscht oder manipuliert eingestuft wurden, abgewertet werden, um sicherzustellen, dass das endgültige Ranking die echten Kundenerfahrungen widerspiegelt.
Die Ergebnisse dieses integrierten Ansatzes zeigen, dass die Kombination von Relevanz mit vertrauensbewusster Intelligenz das Service-Matching signifikant verbessert. Das Sentiment-Analyse-Modell sagte die spezifischen Gefühle hinter den Bewertungen mit einer durchschnittlichen Genauigkeit von fast achtundachtzig Prozent erfolgreich voraus und identifizierte korrekt, ob ein Kunde mit Qualität, Pünktlichkeit, Kommunikation oder Professionalität zufrieden oder unzufrieden war. Das System, das gefälschte oder unzuverlässige Bewertungen detektierte, war sogar noch präziser und erreichte eine Gesamtgenauigkeit von sechsundneunzig Prozent bei der Unterscheidung zwischen echtem Feedback und verdächtigen Anomalien. Durch die Verschmelzung dieser Erkenntnisse kann das Framework die initiale Liste der Kandidaten neu bewerten (re-ranking), indem es diejenigen fördert, die starke, glaubwürdige und spezifische Anerkennung erhalten, und diejenigen herabstuft, die unzuverlässiges oder gemischtes Feedback aufweisen. Die Forscher fanden heraus, dass dieser zweistufige Prozess, der die Aufgabe der Suche nach relevanten Anbietern von der Aufgabe der Verifizierung ihres Rufs trennt, einen zuverlässigeren Weg schafft, um Kunden mit Fachkräften zusammenzubringen. Während die Studie anerkennt, dass die spezifischen Gewichtungen zur Kombination dieser verschiedenen Signale manuell ausgewählt wurden und weitere Tests mit realen Daten erforderlich sind, zeigen die aktuellen Ergebnisse, dass die Behandlung von Relevanz und Vertrauen als komplementäre statt als getrennte Anliegen einen klaren Weg für Online-Dienstleistungsmarktplätze aufzeigt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.