An Integrated Hybrid Recommendation and Trust-Aware Review Intelligence Framework for Reliable Service Provider Matching
本論文は、候補となるプロバイダーの選定のためにTF-IDF、意味的類似性、および協調フィルタリングを組み合わせた統合的なハイブリッドフレームワークと、アスペクト固有の感情およびレビューの信頼性を分析するためにMulti-Task BiLSTMおよびIsolation Forestを用いた信頼性重視のレビューインテリジェンスシステムを提案し、それによって統一された再ランキングパイプラインを通じて、より信頼性の高いサービスプロバイダーのマッチングを実現するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
漏れたパイプを修理したり、天井を設置したり、あるいは車を修理したりするために熟練した専門家を見つけることは、ほぼ誰もが行うことですが、顧客とこれらの作業員を繋ぐために設計されたデジタルマーケットプレイスは、しばしば人々を困惑させてしまいます。ユーザーが検索ボックスにリクエストを入力すると、システムは何千もの登録されたプロバイダーの中から、どれが最適な適合者であるかを決定しなければなりません。従来のシステムは、顧客の要求とプロバイダーが提供するものとの間の正確な単語の重複を探す単純なキーワードマッチングに頼るか、あるいは単一の数値による星評価に大きく依存しています。しかし、これらの手法は的を外してしまうことがよくあります。例えば、「滴る蛇口を直してほしい」と頼む顧客と、自分自身を「漏れを修理する配管工」と説明するプロバイダーは、同じニーズについて話していますが、単純な単語カウント方式のシステムでは、その関連性を見落とす可能性があります。さらに、単一の数値では、作業の質は素晴らしいが時間厳守やコミュニケーションについては劣る、といったサービス体験のニュアメント（微妙な差異）を捉えることはできません。さらに深刻なのは、すべてのレビューが信頼できるわけではないということです。中には偽物や操作されたもの、あるいは異常な行動パターンを持つ人々によって書かれたものもあり、すべてのレビューを等しく有効なものとして扱うことは、プロバイダーの真の評判を歪めてしまう可能性があります。スリランカ情報技術研究所の研究者たちは、これら二つの異なるアプローチ、すなわち、関連するプロバイダーを見つけるアプローチと、受け取ったフィードバックの信頼性を検証するアプローチを組み合わせることで、これらの問題を解決するための新しいフレームワークを開発しました。
研究者たちは、まず有力な候補者を絞り込み、次にそれらに関連するフィードバックを深く分析して信頼性を確保するように設計された、二段階のシステムを構築しました。第一段階において、システムは広範なフィルターとして機能し、1万人のプロバイダーのデータベースを2万件の顧客リクエストに対してスキャンします。単一の手法に頼るのではなく、システムは関連性を測定するために3つの異なる方法を同時に使用します。直接的なキーワードの一致を確認し、高度な言語モデルを使用して、リクエストの異なる言い回しの背後にある意味を理解し、さらに履歴データを用いて、そのプロバイダーが検索しているユーザーと同様のユーザーに対して、これまでどれほど頻繁に仕事を成功させてきたかを確認します。これら3つのシグナルを融合させることで、単一のスコアを作成し、膨大なプロバイダーのリストを、最も関連性の高い管理可能なグループへと絞り込みます。このアプローチは、単一の手法を用いるよりも効果的であることが証明され、高い精度で適切なプロバイダーを特定することに成功しました。
システムが候補者のショートリストを手に入れた後、第二段階へと移行します。ここは品質管理および信頼検証ユニットとして機能します。ここでは、システムは単に平均の星評価を見るだけではありません。石工、電気工事、車両修理といった14の異なるサービスカテゴリーにわたる2万5千件の顧客レビューの実際のテキストを読み取ります。システムは各レビューを分解し、サービスの特定の側面、すなわち作業の質、プロバイダーの時間の厳守、コミュニケーションの適切さ、そしてプロ意識のレベルを理解します。洗練されたニューラルネットワークを用いて、システムはこれら4つの領域それぞれの感情を個別に予測します。つまり、プロバイダーが技術面では称賛されていても、時間の遅れについては批判されている、といった状況を認識します。同時に、別のモジュールがレビューを調査し、信頼性の兆候を調べます。これは、不自然な単語の選択や繰り返される言い回しといった言語的パターンや行動上の手がかりを探し、疑わしい、あるいは異常と思われるレビューをフラグ立てするためのものです。信頼できると思われるレビューにはより高い重みが与えられ、偽物や操作された可能性があるとフラグが立てられたレビューは軽視されることで、最終的なランキングが真の顧客体験を反映するようにします。
この統合されたアプローチの結果は、関連性と信頼を考慮したインテリジェンスを組み合わせることが、サービスの照合を大幅に改善することを実証しています。感情分析モデルは、品質、時間厳守、コミュニケーション、またはプロ意識に関する顧客の感情を、平均して89％近い精度で予測することに成功しました。偽の、あるいは信頼できないレビューを検出するシステムはさらに精密で、一般的なフィードバックと疑わしい異常を区別する上で96％の全体的な精度を達成しました。これらの洞察を融合させることで、本フレームワークは初期の候補リストを再ランク付けし、強力で信頼性が高く具体的な称賛を得ている者を昇格させ、信頼性が低い、あるいは混合したフィードバックを持つ者を降格させることができます。研究者たちは、関連性と信頼を別々の課題としてではなく、補完的なものとして扱うことが、オンラインサービスマーケットプレイスにおける明確な進むべき道を示しているという現在の知見に基づき、この二段階のプロセス（関連するプロバイダーを見つけるタスクと、その評判を検証するタスクを分離すること）が、顧客と専門家をマッチングさせるためのより信頼できる方法を作り出すことを明らかにしました。本研究は、これらの異なるシグナルを組み合わせるために使用された特定の重みは手動で選択されたこと、および実世界のデータを用いたさらなるテストが必要であることを認めていますが、現在の知見は、関連性と信頼を別々の懸念事項としてではなく、相互に補完するものとして扱うことが、明確な前進への道であることを示しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。