Neural Attentional Rating Regression with Review-level Explanations阅读笔记

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：

1. 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。
2. 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.