Метод многоуровневого анализа предпочтений для итеративного дизайна продукта с использованием AI-генерированного обнаружения отзывов

Введение

Онлайн-отзывы играют ключевую роль в принятии решений покупателями и служат важным источником информации для улучшения продукта. С развитием генеративных AI-технологий, таких как ChatGPT, возникает проблема достоверности отзывов, так как они могут быть сгенерированы искусственно для манипуляции мнением потребителей и дизайнеров. Для решения этой проблемы предложен метод многоуровневого анализа предпочтений пользователей, который включает обнаружение AI-генерированных отзывов и анализ предпочтений на уровне атрибутов и характеристик продукта.

Методология

Обнаружение AI-генерированных отзывов

Метод использует предобученные языковые модели для обнаружения AI-генерированных отзывов. Для этого применяется модель ELECTRA, которая включает генератор и дискриминатор. Генератор обучается с помощью метода маскированного языкового моделирования (MLM), а дискриминатор — с помощью метода замены токенов (RTD).

Многоуровневый анализ предпочтений

Анализ предпочтений на уровне атрибутов рассматривается как задача заполнения текста. Для этого используется метод доменно-адаптивного предобучения (DAPT), который позволяет переносить знания из одного домена в другой. Анализ на уровне характеристик продукта включает оценку важности различных характеристик с использованием метода случайного Lasso.

Эксперименты и результаты

Проведены эксперименты с использованием набора данных отзывов о роботах-пылесосах. Результаты показали высокую точность и надежность метода в обнаружении AI-генерированных отзывов и анализе предпочтений пользователей. В частности, метод показал средний F1-score 98.49% в задаче обнаружения AI-генерированных отзывов и 92.89% в задаче анализа предпочтений на уровне атрибутов.

Сравнения и эксперименты с малым числом примеров

Метод был сравнен с различными базовыми моделями, такими как BERT, ALBERT, RoBERTa, и показал превосходные результаты. Также были проведены эксперименты с малым числом примеров, которые подтвердили высокую точность метода даже при ограниченном количестве данных.

Заключение

Предложенный метод многоуровневого анализа предпочтений и обнаружения AI-генерированных отзывов показал высокую эффективность и надежность. Он может быть использован для оптимизации дизайна продукта и улучшения пользовательского опыта, а также для защиты от дезинформации и манипуляции мнением потребителей.

"В цифровую эпоху перед всеми участниками процесса разработки продукта и электронной коммерции стоит задача повышения ответственности и этичного подхода к использованию технологий."