SynGraph: A Dynamic Graph-LLM Synthesis Framework for Sparse Streaming User Sentiment Modeling

要約

eコマースプラットフォームでのユーザーレビューは、時間的およびコンテキスト要因によって駆動される動的な感情パターンを示します。
従来のセンチメント分析方法は、静的レビューに焦点を当て、ユーザーセンチメントの評価とテキストコンテンツの間の進化する時間的関係を把握できません。
ストリーミングレビューに関するセンチメント分析は、ユーザー感情の時間的進化をモデリングおよび予測することにより、この制限に対処します。
ただし、それはデータスパース性に苦しんでおり、時間的、空間的、および組み合わせた形式で現れます。
この論文では、ストリーミングレビューに関するセンチメント分析のデータスパース性に対処するために設計された新しいフレームワークであるSyngraphを紹介します。
Syngraphは、ユーザーをミッドテール、ロングテール、および極端なシナリオに分類し、動的グラフベースの構造内にLLMが高度に拡張することを組み込むことにより、データスパースを緩和します。
実際のデータセットでの実験は、ストリーミングレビューのスパース性に対処し、センチメントモデリングを改善する際の有効性を示しています。

要約(オリジナル)

User reviews on e-commerce platforms exhibit dynamic sentiment patterns driven by temporal and contextual factors. Traditional sentiment analysis methods focus on static reviews, failing to capture the evolving temporal relationship between user sentiment rating and textual content. Sentiment analysis on streaming reviews addresses this limitation by modeling and predicting the temporal evolution of user sentiments. However, it suffers from data sparsity, manifesting in temporal, spatial, and combined forms. In this paper, we introduce SynGraph, a novel framework designed to address data sparsity in sentiment analysis on streaming reviews. SynGraph alleviates data sparsity by categorizing users into mid-tail, long-tail, and extreme scenarios and incorporating LLM-augmented enhancements within a dynamic graph-based structure. Experiments on real-world datasets demonstrate its effectiveness in addressing sparsity and improving sentiment modeling in streaming reviews.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google