An Integrated Hybrid Recommendation and Trust-Aware Review Intelligence Framework for Reliable Service Provider Matching
यह शोध पत्र एक एकीकृत हाइब्रिड ढांचे का प्रस्ताव करता है जो उम्मीदवार प्रदाता चयन के लिए TF-IDF, सिमेंटिक समानता और कोलैबोरेटिव फ़िल्टरिंग को जोड़ता है, जिसमें पहलू-विशिष्ट भावना (aspect-specific sentiment) और समीक्षा विश्वसनीयता का विश्लेषण करने के लिए मल्टी-टास्क BiLSTM और आइसोलेशन फॉरेस्ट का उपयोग करने वाला एक ट्रस्ट-अवेयर रिव्यू इंटेलिजेंस सिस्टम शामिल है, जिससे एक एकीकृत री-रैंकिंग पाइपलाइन के माध्यम से अधिक विश्वसनीय सेवा प्रदाता मिलान प्राप्त किया जा सके।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक लीक होते पाइप को ठीक करने, छत लगाने या कार की मरम्मत करने के लिए एक कुशल पेशेवर को खोजना ऐसी चीज़ है जो लगभग हर कोई करता है, फिर भी ग्राहकों को इन श्रमिकों से जोड़ने के लिए डिज़ाइन किए गए डिजिटल मार्केटप्लेस अक्सर लोगों को अनुमान लगाने पर मजबूर कर देते हैं। जब कोई उपयोगकर्ता सर्च बॉक्स में एक अनुरोध टाइप करता है, तो सिस्टम को यह तय करना होता है कि हजारों पंजीकृत प्रदाताओं में से कौन सा सबसे उपयुक्त है। पारंपरिक प्रणालियाँ सरल कीवर्ड मिलान (keyword matching) पर निर्भर करती हैं, जो ग्राहक द्वारा पूछी गई चीज़ और प्रदाता द्वारा दी जाने वाली सेवा के बीच सटीक शब्दों के मेल को देखती हैं, या वे भारी रूप से एक एकल संख्यात्मक स्टार रेटिंग पर निर्भर करती हैं। हालाँकि, ये तरीके अक्सर लक्ष्य से चूक जाते हैं। एक ग्राहक जो "टपकते नल को ठीक करने" (fix a dripping faucet) के लिए कह रहा है और एक प्रदाता जो खुद को "लीक की मरम्मत करने वाला प्लंबर" (plumber who repairs leaks) बताता है, वे एक ही ज़रूरत के बारे में बात कर रहे हैं, लेकिन एक साधारण शब्द-गणना प्रणाली इस संबंध को देखने में विफल हो सकती है। इसके अलावा, एक एकल संख्या सेवा के अनुभव की बारीकियों को नहीं पकड़ सकती, जो कार्य की गुणवत्ता के मामले में उत्कृष्ट हो सकती है लेकिन समय की पाबंदी या संचार के मामले में खराब हो सकती है। इससे भी अधिक चिंताजनक बात यह है कि सभी समीक्षाएं भरोसेमंद नहीं होती हैं; कुछ फर्जी होती हैं, हेरफेर की गई होती हैं, या असामान्य व्यवहार पैटर्न वाले लोगों द्वारा लिखी जाती हैं, और प्रत्येक समीक्षा को समान रूप से वैध मानने से प्रदाता की वास्तविक प्रतिष्ठा विकृत हो सकती है। श्रीलंका सूचना प्रौद्योगिकी संस्थान के शोधकर्ताओं ने इन समस्याओं को हल करने के लिए एक नया ढांचा विकसित किया है जो दो अलग-अलग दृष्टिकोणों को जोड़ता है: एक जो प्रासंगिक प्रदाताओं को खोजता है और दूसरा जो उन्हें प्राप्त फीडबैक की विश्वसनीयता को सत्यापित करता है।
शोधकर्ताओं ने एक दो-चरणीय प्रणाली बनाई है जिसे पहले संभावित उम्मीदवारों की एक संक्षिप्त सूची (shortlist) की पहचान करने और फिर उनकी विश्वसनीयता सुनिश्चित करने के लिए उनसे जुड़े फीडबैक का गहराई से विश्लेषण करने के लिए डिज़ाइन किया गया है। पहले चरण में, सिस्टम एक व्यापक फिल्टर के रूप में कार्य करता है, जो दस हजार प्रदाताओं के डेटाबेस को बीस हजार ग्राहक अनुरोधों के विरुद्ध स्कैन करता है। केवल एक विधि पर निर्भर रहने के बजाय, यह एक साथ तीन अलग-अलग तरीकों से प्रासंगिकता को मापने के लिए उपयोग करता है। यह सीधे कीवर्ड मिल치를 (direct keyword matches) जांचता है, अनुरोध को व्यक्त करने के विभिन्न तरीकों के पीछे के अर्थ को समझने के लिए उन्नत भाषा मॉडल (advanced language models) का उपयोग करता है, और ऐतिहासिक डेटा को देखता है कि प्रदाता ने खोजने वाले उपयोगकर्ता के समान उपयोगकर्ताओं के लिए कितनी बार सफलतापूर्वक काम पूरा किया है। इन तीन संकेतों को एक एकल स्कोर बनाने के लिए मिलाया जाता है, जिससे विशाल प्रदाताओं की सूची को सबसे प्रासंगिक उम्मीदवारों के एक प्रबंधनीय समूह तक सीमित किया जा सके। यह दृष्टिकोण किसी भी एकल विधि के अकेले उपयोग की तुलना में अधिक प्रभावी साबित हुआ, जिसने उच्च सटीकता के साथ सही प्रदाताओं की पहचान की।
एक बार जब सिस्टम के पास उम्मीदवारों की एक संक्षिप्त सूची हो जाती है, तो यह दूसरे चरण में जाता है, जो गुणवत्ता नियंत्रण और विश्वास सत्यापन इकाई के रूप में कार्य करता है। यहाँ, सिस्टम केवल औसत स्टार रेटिंग नहीं देखता है; यह चौदह विभिन्न सेवा श्रेणियों, जैसे कि राजमिस्त्री (masonry), इलेक्ट्रिकल कार्य और वाहन मरम्मत के माध्यम से पच्चीस हजार ग्राहक समीक्षाओं के वास्तविक टेक्स्ट को पढ़ता है। यह सेवा के विशिष्ट पहलुओं को समझने के लिए प्रत्येक समीक्षा का विश्लेषण करता है: कार्य की गुणवत्ता, क्या प्रदाता समय का पाबंद था, उन्होंने संचार कैसे किया, और उनका स्तर पेशेवर व्यवहार कैसा था। एक परिष्कृत न्यूरल नेटवर्क का उपयोग करते हुए, सिस्टम इन चार क्षेत्रों में से प्रत्येक के लिए अलग-अलग भावना (sentiment) की भविष्यवाणी करता है, यह पहचानते हुए कि एक प्रदाता को कौशल के लिए सराहा जा सकता है लेकिन देरी करने के लिए आलोचना का सामना करना पड़ सकता है। साथ ही, एक अलग मॉड्यूल समीक्षाओं में अविश्वसनीयता के संकेतों की जांच करता है। यह संदिग्ध या विसंगतिपूर्ण (anomalous) हो सकने वाली समीक्षाओं को चिह्नित करने के लिए भाषाई पैटर्न और व्यवहार संबंधी सुरागों, जैसे कि असामान्य शब्द चयन या दोहराव वाले वाक्यांशों को देखता है। जो समीक्षाएं विश्वसनीय दिखती हैं उन्हें अधिक महत्व दिया जाता है, जबकि जिन्हें संभावित रूप से फर्जी या हेरफेर की गई माना जाता है उन्हें कम महत्व दिया जाता है, जिससे यह सुनिश्चित होता है कि अंतिम रैंकिंग वास्तविक ग्राहक अनुभवों को दर्शाती है।
इस एकीकृत दृष्टिकोण के परिणाम दर्शाते हैं कि प्रासंगिकता को विश्वास-जागरूक बुद्धिमत्ता (trust-aware intelligence) के साथ जोड़ने से सेवा मिलान में महत्वपूर्ण सुधार होता है। सेंटीमेंट एनालिसिस मॉडल ने लगभग निवासी प्रतिशत की औसत सटीकता के साथ समीक्षाओं के पीछे की विशिष्ट भावनाओं की सफलतापूर्वक भविष्यवाणी की, जिससे सही ढंग से पहचाना गया कि ग्राहक गुणवत्ता, समय की पाबंदी, संचार या व्यावसायिकता के बारे में खुश था या नाखुश। फर्जी या अविश्वसनीय समीक्षाओं का पता लगाने वाला सिस्टम और भी सटीक था, जिसने वास्तविक फीडबैक और संदिग्ध विसंगतियों के बीच अंतर करने में नब्बे प्रतिशत से अधिक समग्र सटीकता हासिल की। इन अंतर्दृष्टि को जोड़कर, फ्रेमवर्क प्रारंभिक उम्मीदवारों की सूची को पुन: रैंक (re-rank) कर सकता है, जिससे उन लोगों को बढ़ावा मिलता है जिनके पास मजबूत, विश्वसनीय और विशिष्ट प्रशंसा है, जबकि उन लोगों को नीचे धकेला जाता है जिनकी प्रतिक्रिया अविश्वसनीय या मिश्रित है। शोधकर्ताओं ने पाया कि यह दो-चरणीय प्रक्रिया, जो प्रासंगिक प्रदाताओं को खोजने के कार्य को उनकी प्रतिष्ठा को सत्यापित करने के कार्य से अलग करती है, ग्राहकों को पेशेवरों के साथ जोड़ने का एक अधिक विश्वसनीय तरीका बनाती है। हालांकि अध्ययन इस बात को स्वीकार करता है कि इन विभिन्न संकेतों को संयोजित करने के लिए उपयोग किए गए विशिष्ट भार (weights) को मैन्युअल रूप से चुना गया था और वास्तविक दुनिया के डेटा पर आगे के परीक्षण की आवश्यकता है, वर्तमान निष्कर्ष बताते हैं कि प्रासंगिकता और विश्वास को अलग-अलग चिंताओं के बजाय पूरक के रूप में मानना, ऑनलाइन सेवा मार्केटप्लेस के लिए एक स्पष्ट मार्ग प्रदान करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।