【论文笔记】Joint Deep Modeling of Users and Items Using Reviews for Recommendation

---

1 概述

论文原文链接（arxiv）

• 作者提出了一个 Deep Cooperative Neural Networks（DeepCoNN）的模型，该模型由耦合在最后一层的两个并行神经网络组成，其中一个神经网络使用用户撰写的评论对用户的行为进行建模，另一个神经网络使用物品得到的评论信息对物品的特性进行建模，最后一层将两个并行神经网络分别得到的$x_u$和$y_i$拼接成一个向量$z$，最后利用Factorization Machine (FM)来捕捉用户行为和物品属性的特征以及他们之间的成对交互联系。

---

2 创新点

• DeepCoNN 是第一个使用神经网络从评论中联合建模用户和项目的网络。
• DeepCoNN 使用预训练的词嵌入技术从评论中提取语义信息来表示评论文本，而非其他论文通常会使用的bag-of-words技术，词嵌入技术保留并考虑了文本中词语的顺序信息。
• DeepCoNN 可以根据训练数据的大小进行扩展，并且由于它基于 NN，因此可以轻松地使用新数据进行训练和更新。

---

3 实验结果

• 在多个数据集上平均8.3%的准确率提升。

• 实验结果表明，对于评论或评分很少的用户和项目，DeepCoNN 比 MF 获得更多的 MSE 减少。 特别是当只有一个评论可用时，DeepCoNN 获得了最大的 MSE 减少。 因此，它验证了 DeepCoNN 可以有效地缓解数据稀疏问题。

---

4 论文复现

附上代码GitHub链接

4.1 Environments

• python 3.8
• pytorch 1.70

4.2 Dataset

• 首先进行数据集的下载与预处理：评论信息有关的数据集下载链接：

  http://deepyeti.ucsd.edu/jianmo/amazon/categoryFilesSmall/Digital_Music_5.json.gz

• 下载之后放置路径为data/Digital_Music_5.json.gz

• 然后运行数据预处理程序对评论信息数据集进行预处理：

  python preprocess.py
  

• 处理之后产生train.csv，valid.csv 和 test.csv三个文件。

• 下载预先训练好的词向量文件：

  https://nlp.stanford.edu/data/glove.6B.zip

• 下载之后放置路径为embedding/glove.6B.50d.txt

4.3 代码解析

preprocess.py: 对数据集进行预处理的代码，需要提前单独运行
    config.py: 对各种网络参数的调整以及读取文件的路径都在此文件中进行
     model.py: 定义了DeepCoNN的网络结构
     utils.py: 过程中需要用到的一些工具函数
      main.py: 包含训练和测试过程的主函数

着重来看一下model.py中的内容，model的定义分为三个部分：

• class CNN(nn.Module)

# 定义了分别处理用户评论和物品评论的单个CNN的结构