Краткое содержание

arXiv:2511.14743v1 Тип объявления: новое Аннотация: Онлайн-рейтинги влияют на принятие решений клиентами, однако стандартные методы агрегирования, такие как выборочное среднее значение, не адаптируются к изменениям качества во времени и игнорируют неоднородность отзывов (например, тональность отзыва или его полезность). Для решения этих проблем мы демонстрируем ценность использования фреймворка гауссовского процесса (Gaussian Process, GP) для агрегирования рейтингов. В частности, мы представляем адаптированную модель GP, которая учитывает динамику рейтингов с течением времени, а также дополнительно принимает во внимание неоднородность отзывов. На основе 121 123 оценок из Yelp мы сравниваем прогнозную силу различных методов агрегирования рейтингов при предсказании будущих оценок, обнаруживая, что модель GP значительно точнее и снижает среднюю абсолютную ошибку на 10,2% по сравнению со средним значением выборки. Наши выводы имеют важные последствия для специалистов в области маркетинга и клиентов. Переходя за рамки средних значений, разработчики онлайн-систем репутации могут отображать больше информации.