@正在进行{mukku-etal-2023-insightnet,title=“{I}-nsight{N}-et:从客户反馈中进行结构化洞察力挖掘”,author=“Mukku、Sandeep Sricharan和Soni、Manan和阿加瓦尔、契坦和Rana、Jitenkumar和Yenigalla、Promod和Patange、Rashmi和Shyam Mohan”,editor=“王、明轩和伊梅德·齐图尼“,booktitle=“2023年自然语言处理实证方法会议记录:行业轨迹”,月=12月,年=“2023”,address=“新加坡”,publisher=“计算语言学协会”,url=“https://aclantology.org/2023.emnlp-industry.53”,doi=“10.18653/v1/2023.emnlp-industry.53”,pages=“552--566”,抽象=“我们提出InsightNet,这是一种从客户评论中自动提取结构化见解的新方法。我们的端到端机器学习框架旨在克服当前解决方案的局限性,包括缺少确定主题的结构、非标准方面名称以及缺乏丰富的培训数据封闭式解决方案从原始评论构建半监督的多级分类法,这是一种语义相似性启发式方法,用于生成标记数据,并通过微调LLM使用多任务洞察力提取体系结构。InsightNet通过客户的情绪和每个主题的逐字逐句来确定具体的可操作主题。对真实客户审查数据的评估表明,InsightNet在结构、层次结构和完整性方面优于现有解决方案。我们实证证明,InsightNet在多标签主题分类方面优于当前最先进的方法,F1得分为0.85,比之前的最佳结果提高了11{\%}F1得分。此外,InsightNet很好地概括了未发现的方面,并建议将新主题添加到分类法中。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“mukku-etal-2023-insightnet”><标题信息>InsightNet:根据客户反馈进行结构化洞察力挖掘</titleInfo><name type=“个人”><namePart type=“given”>Sandeep</namePart>斯里查兰木库<角色>作者</角色></name><name type=“个人”>马南索尼公司<角色>作者</角色></name><name type=“个人”>切坦阿加瓦尔<角色>作者</角色></name><name type=“个人”>Jitenkumar公司拉娜<角色>作者</角色></name><name type=“个人”><namePart type=“given”>促销</namePart>Yenigalla<角色>作者</角色></name><name type=“个人”>拉什米Patange公司<角色>作者</角色></name><name type=“个人”>Shyam默翰<角色>作者</角色></name><originInfo>2023-12年发布</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>2023年自然语言处理实证方法会议记录:行业跟踪</titleInfo><name type=“个人”>明轩王<namePart type=“family”><角色>编辑器</角色></name><name type=“个人”><namePart type=“given”>我是Zitouni公司<角色>编辑器</角色></name><originInfo><publisher>计算语言学协会</publisher><位置>新加坡</place></originInfo>会议出版物</relatedItem>我们提出InsightNet,这是一种从客户评论中自动提取结构化见解的新方法。我们的端到端机器学习框架旨在克服当前解决方案的局限性,包括缺少已识别主题的结构、非标准方面名称以及缺乏丰富的训练数据。该解决方案从原始评论构建了一个半监督的多级分类法,一种语义相似性启发式方法来生成标记数据,并通过微调LLM使用了一个多任务洞察力提取体系结构。InsightNet通过客户的情绪和每个主题的逐字逐句来确定具体的可操作主题。对真实客户审查数据的评估表明,InsightNet在结构、层次结构和完整性方面优于现有解决方案。我们实证证明,InsightNet在多标签主题分类方面优于当前最先进的方法,F1得分为0.85,比之前的最佳结果提高了11%。此外,InsightNet很好地概括了未发现的方面,并建议将新主题添加到分类法中</摘要>mukku-etal-2023-insightnet10.18653/v1/2023.emnlp-industry.53<位置><网址>https://aclantology.org/2023.emnlp-industry.53</url></位置><部分><日期>2023-12年</日期><扩展单元=“page”><开始>552</开始><end>566</范围></部分></mods></modsCollection>
%0会议记录%T InsightNet:基于客户反馈的结构化洞察力挖掘%A Mukku、Sandeep Sricharan%A Soni,Manan公司%契坦Aggarwal%吉滕库马尔·拉纳%A Yenigalla,Promod公司%A Patange,拉什米%阿莫汉,希亚姆%Y Wang、Mingxuan%伊梅德·齐图尼%2023年自然语言处理实证方法会议论文集:行业跟踪%D 2023年%12月8日%计算语言学协会%C新加坡%F mukku-etal-2023-insightnet公司%X我们提出InsightNet,这是一种从客户评论中自动提取结构化见解的新方法。我们的端到端机器学习框架旨在克服当前解决方案的局限性,包括缺少已识别主题的结构、非标准方面名称以及缺乏丰富的训练数据。该解决方案从原始评论构建了一个半监督的多级分类法,一种语义相似性启发式方法来生成标记数据,并通过微调LLM使用了一个多任务洞察力提取体系结构。InsightNet通过客户的情绪和每个主题的逐字逐句来确定具体的可操作主题。对真实客户审查数据的评估表明,InsightNet在结构、层次结构和完整性方面优于现有解决方案。我们实证证明,InsightNet在多标签主题分类方面优于当前最先进的方法,F1得分为0.85,比之前的最佳结果提高了11%。此外,InsightNet很好地概括了未发现的方面,并建议将新主题添加到分类法中。%R 10.18653/v1/2023.emnlp-行业53%U型https://aclantology.org/2023.emnlp-industry.53%U型https://doi.org/10.18653/v1/2023.emnlp-industry.53%电话552-566
降价(非正式)
[InsightNet:基于客户反馈的结构化洞察力挖掘](https://aclantology.org/2023.emnlp-industry.53)(Mukku等人,EMNLP 2023)
国际计算语言学协会
- Sandeep Sricharan Mukku、Manan Soni、Chetan Aggarwal、Jitenkumar Rana、Promod Yenigalla、Rashmi Patange和Shyam Mohan。2023InsightNet:基于客户反馈的结构化洞察力挖掘.英寸2023年自然语言处理实证方法会议记录:行业跟踪,第552-566页,新加坡。计算语言学协会。