原文链接
简介
在电商平台中,Review信息对于用户而言是十分有用的,然而,却很少有人对Review的有效性进行研究。本文提出了Neural Attentional Regression model with Review-level Explanations (NARRE) ,在进行评分预测的同时考虑Review的有效性,在Review层面对推荐结果进行解释。
评分预测是推荐系统中常见的任务。大多数方法都是基于协同过滤的,例如PMF等,这类方法最大的问题在于无法对推荐提供可解释性。很多研究表明在推荐中提供可解释性,是非常有用的。缺乏可解释性的推荐不能真正让用户信服。在大多数电商网站中,允许用户评论产品并给予评分,用户评论信息中会通常包含关于产品有用的特征,例如quality, material, color 等。在本文中,评论的有效性usefulness of a review 即用户能否根据用户做出是否购买的决定。下图举例说明什么是有效评论和无效评论
本文的两个大的主要想法:
- 提出了一个新的想法,即不同的评论在项目建模方面有不同维度的贡献,并导致对其他用户在消费使用方面的不同用途。
- 引入了Neural Attentional Regression with Reviews-level Explanation (NARRE)。
基础工作
LFM:利用矩阵因子分解的方法构建的用户u对项目i评分的建模公式
DeepCoNN:使用卷积神经网络处理review,并且将用户和被推荐项目分别并行建模最后用FM结合起来并作评分预测
嵌入层:给定长度为T的输入文本,用word2vec进行embedding
卷积层:产生特征
最大化池层:找到最重要的特征
全连接层:
NARRE
基于上述CNN Text Processor,本文加上了Neural Attentional Regression with Review以及最后的预测层,为何要这么做?(涉及到DeepCoNN的局限性)
1.maxpool会覆盖其他有用的评论中的特征,这会有缺陷(一个item不可能只有一个评论)
2.