An Integrated Hybrid Recommendation and Trust-Aware Review Intelligence Framework for Reliable Service Provider Matching
Este artículo propone un marco híbrido integrado que combina TF-IDF, similitud semántica y filtrado colaborativo para la selección de proveedores candidatos con un sistema de inteligencia de reseñas sensible a la confianza que utiliza Multi-Task BiLSTM e Isolation Forest para analizar el sentimiento específico de los aspectos y la credibilidad de las reseñas, logrando así un emparejamiento de proveedores de servicios más confiable a través de un flujo de reordenamiento unificado.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Encontrar a un profesional capacitado para arreglar una tubería con fugas, instalar un techo o reparar un automóvil es algo que casi todo el mundo hace, sin embargo, los mercados digitales diseñados para conectar a los clientes con estos trabajadores a menudo dejan a las personas con la duda. Cuando un usuario escribe una solicitud en un cuadro de búsqueda, el sistema debe decidir cuál de miles de proveedores registrados es el más adecuado. Los sistemas tradicionales dependen de una simple coincidencia de palabras clave, buscando solapamientos exactos de palabras entre lo que un cliente pide y lo que un proveedor ofrece, o se apoyan fuertemente en una única calificación numérica de estrellas. Sin embargo, estos métodos suelen no dar en el blanco. Un cliente que pide "arreglar un grifo que gotea" y un proveedor que se describe a sí mismo como un "fontanero que repara fugas" están hablando de la misma necesidad, pero un sistema simple de conteo de palabras podría no ver la conexión. Además, un solo número no puede capturar el matiz de una experiencia de servicio, que podría ser excelente en términos de calidad del trabajo pero deficiente en cuanto a puntualidad o comunicación. Aún más preocupante es que no todas las reseñas son confiables; algunas son falsas, manipuladas o escritas por personas con patrones de comportamiento inusuales, y tratar cada reseña como igualmente válida puede distorsionar la verdadera reputación de un proveedor. Investigadores del Instituto de Tecnología de la Información de Sri Lanka han desarrollado un nuevo marco para resolver estos problemas combinando dos enfoques distintos: uno que encuentra proveedores relevantes y otro que verifica la fiabilidad de los comentarios que reciben.
Los investigadores construyeron un sistema de dos etapas diseñado primero para identificar una lista corta de candidatos probables y luego analizar profundamente los comentarios asociados con ellos para garantizar la confiabilidad. En la primera etapa, el sistema actúa como un filtro amplio, escaneando una base de datos de diez mil proveedores contra veinte mil solicitudes de clientes. En lugar de depender de un solo método, utiliza tres formas diferentes para medir la relevancia simultáneamente. Comprueba si hay coincidencias directas de palabras clave, utiliza modelos de lenguaje avanzados para comprender el significado detrás de las diferentes formas de expresar una solicitud y analiza datos históricos para ver con qué frecuencia un proveedor ha completado con éxito trabajos para usuarios similares al que busca. Estas tres señales se mezclan para crear una puntuación única, reduciendo la enorme lista de proveedores a un grupo manejable de los candidatos más relevantes. Este enfoque demostró ser más efectivo que usar un solo método por sí solo, identificando con éxito a los proveedores adecuados con alta precisión.
Una vez que el sistema tiene una lista corta de candidatos, pasa a la segunda etapa, que funciona como una unidad de control de calidad y verificación de confianza. Aquí, el sistema no solo busca la calificación promedio de estrellas; lee el texto real de veinticinco mil reseñas de clientes a través de catorce categorías de servicio diferentes, tales como albañilería, trabajos eléctricos y reparación de vehículos. Desglosa cada reseña para comprender aspectos específicos del servicio: la calidad del trabajo, si el proveedor fue puntual, qué tan bien se comunicó y su nivel de profesionalismo. Utilizando una red neuronal sofisticada, el sistema predice el sentimiento para cada una de estas cuatro áreas por separado, reconociendo que un proveedor puede ser elogiado por su habilidad pero criticado por llegar tarde. Al mismo tiempo, un módulo separado examina las reseñas en busca de signos de falta de fiabilidad. Busca patrones lingüísticos y pistas de comportamiento, como elecciones de palabras inusuales o frases repetitivas, para señalar reseñas que podrían ser sospechosas o anómalas. Las reseñas que parecen creíbles reciben más peso, mientras que aquellas marcadas como potencialmente falsas o manipuladas son minimizadas, asegurando que la clasificación final refleje experiencias genuinas de los clientes.
Los resultados de este enfoque integrado demuestran que combinar la relevancia con la inteligencia consciente de la confianza mejora significamente la correspondencia de servicios. El modelo de análisis de sentimiento predijo con éxito los sentimientos específicos detrás de las reseñas con una precisión promedio de casi el ochenta y nueve por ciento, identificando correctamente si un cliente estaba contento o descontento con la calidad, la puntualidad, la comunicación o el profesionalismo. El sistema que detectó reseñas falsas o no fiables fue incluso más preciso, logrando un noventa y seis por ciento de precisión general al distinguir entre comentarios genuinos y anomalías sospechosas. Al fusionar estos conocimientos, el marco puede reordenar la lista inicial de candidatos, promoviendo a aquellos con elogios específicos y creíbles, mientras que penaliza a aquellos con comentarios poco fiables o mixtos. Los investigadores encontraron que este proceso de dos pasos, que separa la tarea de encontrar proveedores relevantes de la tarea de verificar su reputación, crea una forma más confiable de conectar a los clientes con los profesionales. Si bien el estudio reconoce que los pesos específicos utilizados para combinar estas diferentes señales fueron seleccionados manualmente y que se necesitan más pruebas con datos del mundo real, los hallazgos actuales muestran que tratar la relevancia y la confianza como preocupaciones complementarias, en lugar de separadas, ofrece un camino claro a seguir para los mercados de servicios en línea.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.