PREFER: 온라인 선호도 학습을 통한 개인화된 리뷰 요약

PREFER: Personalized Review Summarization with Online Preference Learning

제품 리뷰는 전자상거래 플랫폼에서 구매 결정에 큰 영향을 미칩니다. 그러나 방대한 양의 리뷰는 사용자에게 압도적인 정보를 제공하여, 사용자의 특정 요구사항에 가장 관련성이 높은 정보를 가리는 경향이 있습니다. 현재 전자상거래 요약 시스템은 일반적으로 일반적이고 정적인 요약을 생성하며, 이는 (i) 사용자들이 서로 다른 제품 특성에 대해 다른 관심을 가지고 있고, (ii) 이러한 선호도는 상호작용을 통해 시간이 지남에 따라 변할 수 있다는 점을 고려하지 못합니다. 이러한 알려지지 않은 잠재적 선호도 문제를 해결하기 위해, 우리는 각 사용자에게 개인화된 요약을 생성하는 온라인 학습 프레임워크를 제안합니다. 우리의 시스템은 생성된 요약으로부터 직접적인 피드백을 통합하여 시간이 지남에 따라 사용자 선호도에 대한 이해를 반복적으로 개선합니다. Amazon Reviews'23 데이터 세트를 사용한 사례 연구를 통해, 온라인 선호도 학습이 대상 사용자 관심사와 얼마나 잘 일치하는지, 그리고 요약 품질을 유지하는지 보여주는 제어된 시뮬레이션 결과를 제시합니다.

Product reviews significantly influence purchasing decisions on e-commerce platforms. However, the sheer volume of reviews can overwhelm users, obscuring the information most relevant to their specific needs. Current e-commerce summarization systems typically produce generic, static summaries that fail to account for the fact that (i) different users care about different product characteristics, and (ii) these preferences may evolve with interactions. To address the challenge of unknown latent preferences, we propose an online learning framework that generates personalized summaries for each user. Our system iteratively refines its understanding of user preferences by incorporating feedback directly from the generated summaries over time. We provide a case study using the Amazon Reviews'23 dataset, showing in controlled simulations that online preference learning improves alignment with target user interests while maintaining summary quality.