An Integrated Hybrid Recommendation and Trust-Aware Review Intelligence Framework for Reliable Service Provider Matching
Cet article propose un cadre hybride intégré qui combine TF-IDF, la similitude sémantique et le filtrage collaboratif pour la sélection de prestataires candidats avec un système d'intelligence des avis sensible à la confiance utilisant Multi-Task BiLSTM et Isolation Forest pour analyser le sentiment spécifique aux aspects et la crédibilité des avis, atteignant ainsi une mise en correspondance de prestataires de services plus fiable grâce à un pipeline de reclassement unifié.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Trouver un professionnel qualifié pour réparer un tuyau qui fuit, installer un plafond ou réparer une voiture est une chose que presque tout le monde fait, pourtant les places de marché numériques conçues pour mettre en relation les clients avec ces travailleurs laissent souvent les gens dans l'incertitude. Lorsqu'un utilisateur tape une requête dans une zone de recherche, le système doit décider lequel, parmi des milliers de prestataires enregistrés, est le plus adapté. Les systèmes traditionnels reposent sur une simple correspondance de mots-clés, cherchant des chevauchements de mots exacts entre ce qu'un client demande et ce qu'un prestataire propose, ou s'appuient fortement sur une note étoilée numérique unique. Cependant, ces méthodes passent souvent à côté de la plaque. Un client demandant de « réparer un robinet qui goutte » et un prestataire se décrivant comme un « plombier qui répare les fuites » parlent du même besoin, mais un système de comptage de mots simple pourrait ne pas voir le lien. De plus, un chiffre unique ne peut capturer la nuance d'une expérience de service, qui peut être excellente en termes de qualité de travail mais médiocre en ce qui concerne la ponctualité ou la communication. Plus troublant encore est le fait que tous les avis ne sont pas dignes de confiance ; certains sont faux, manipulés ou écrits par des personnes présentant des comportements inhabituels, et traiter chaque avis comme étant également valable peut fausser la véritable réputation d'un prestataire. Des chercheurs de l'Institut de technologie de l'information de Sri Lanka ont développé un nouveau cadre pour résoudre ces problèmes en combinant deux approches distinctes : une qui trouve les prestataires pertinents et une autre qui vérifie la fiabilité des commentaires qu'ils reçoivent.
Les chercheurs ont construit un système à deux étapes conçu pour d'abord identifier une liste restreinte de candidats probables, puis pour analyser en profondeur les commentaires associés à ceux-ci afin de garantir la fiabilité. Dans la première étape, le système agit comme un filtre large, scannant une base de données de dix mille prestataires contre vingt mille requêtes de clients. Au lieu de s'appuyer sur une seule méthode, il utilise trois méthodes différentes pour mesurer la pertinence simultanément. Il vérifie les correspondances directes de mots-clés, utilise des modèles de langage avancés pour comprendre le sens derrière les différentes formulations d'une requête, et examine les données historiques pour voir à quelle fréquence un prestataire a terminé avec succès des tâches pour des utilisateurs similaires à celui qui effectue la recherche. Ces trois signaux sont fusionnés pour créer un score unique, réduisant la liste massive de prestataires à un groupe gérable des candidats les plus pertinents. Cette approche s'est avérée plus efficace qu'en utilisant une seule méthode à elle seule, identifiant avec succès les bons prestataires avec une grande précision.
Une fois que le système dispose d'une liste de candidats, il passe à la seconde étape, qui fonctionne comme une unité de contrôle de la qualité et de vérification de la confiance. Ici, le système ne se contente pas de regarder la note moyenne ; il lit le texte réel de vingt-cinq mille avis clients à travers quatorze catégories de services différentes, telles que la maçonnerie, les travaux électriques et la réparation de véhicules. Il décompose chaque avis pour comprendre des aspects spécifiques du service : la qualité du travail, si le prestataire était ponctuel, sa capacité de communication et son niveau de professionnalisme. À l'aide d'un réseau neuronal sophistiqué, le système prédit le sentiment pour chacun de ces quatre domaines séparément, reconnaissant qu'un prestataire peut être loué pour ses compétences mais critiqué pour son retard. Simultanément, un module distinct examine les avis pour détecter des signes d'infidélité. Il recherche des schémas linguistiques et des indices comportementaux, tels que des choix de mots inhabituels ou des formulations répétitives, pour signaler les avis qui pourraient être suspects ou anormaux. Les avis qui semblent crédibles reçoivent plus de poids, tandis que ceux signalés comme potentiellement faux ou manipulés sont minimisés, garantissant que le classement final reflète des expériences clients authentiques.
Les résultats de cette approche intégrée démontent que la combinaison de la pertinence avec une intelligence axée sur la confiance améliore considérablement la mise en correspondance des services. Le modèle d'analyse de sentiment a prédit avec succès les sentiments spécifiques derrière les avis avec une précision moyenne de près de quatre-vingt-neuf pour cent, identifiant correctement si un client était satisfait ou mécontent de la qualité, de la ponctualité, de la communication ou du professionnalisme. Le système qui a détecté les avis faux ou peu fiables était encore plus précis, atteignant une précision globale de quatre-vingt-seize pour cent dans la distinction entre les commentaires authentiques et les anomalies suspectes. En fusionnant ces informations, le cadre peut reclasser la liste initiale de candidats, en promouvant ceux qui bénéficient de louanges fortes, crédibles et spécifiques, tout en déclassant ceux qui ont des retours peu fiables ou mitigés. Les chercheurs ont constaté que ce processus en deux étapes, qui sépare la tâche de trouver des prestataires pertinents de la tâche de vérifier leur réputation, crée une façon plus fiable de mettre en relation les clients avec les professionnels. Bien que l'étude reconnaisse que les poids spécifiques utilisés pour combiner ces différents signaux ont été sélectionnés manuellement et que des tests supplémentaires sur des données réelles sont nécessaires, les conclusions actuelles montrent que traiter la pertinence et la confiance comme des préoccupations complémentaires, plutôt que séparées, offre une voie claire pour les places de marché de services en ligne.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.