基于评论两极性的推荐系统

发布时间：2021-04-26 22:33

　　用户在线发布的对商品的评论包含着丰富语义信息,这些评论中的语义信息蕴含着用户偏爱的方面以及推荐中的商品的属性。最近,各种推荐方法已经开发出相应的模块,以利用评论来改进建议性能。一个高级分支是提取显着性的方面（即用户在评论中表达的商品属性）,并将这些aspect与用户和商品的潜在表示形式进行高级组合,从而进行特征学习。但是,以前涉及评论的推荐方法中,所有人都忽略了以下问题:语义上不同的评论通常包含截然相反的aspect的信息。具体来说,是语义上积极的用户评论,通常表示用户偏爱的方面,而语义上负面的评论表示用户拒绝的方面。然而,现有的基于评论的（包括aspect感知的）推荐方法都无差别地对正面和负面评论进行处理,没有特别地区分并处理不同极性的评论。结果,这将导致模型混淆用户偏好的和用户拒绝的（商品的）aspect（方面）。由于用户的喜好具有两面性,因此,这些已有的推荐方法不能适当地捕捉用户的喜好,这其实恶化了模型的推荐性能。为此,本文提出了称为“RPR”的“Review Polarity-wise Recommender”（基于两极性评论的推荐系统）模型,区别对待具有不同极性的评论。在这个... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：47 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
第1章 绪论
第2章 相关工作
    2.1 涉及评论的推荐系统
    2.2 推荐系统中的深度学习
第3章 具体方法
    3.1 问题公式化
    3.2 aspect重要性的提取
    3.3 aspect分数的预测
    3.4 注意力机制的aspect重要性的补充向量
    3.5 总体目标
第4章 实验设置
    4.1 数据集
    4.2 实验设置
    4.3 实验基线方法
第5章 实验结果
    5.1 问题一: 推荐表现的对比
    5.2 问题二: 关键的超参数的效果
    5.3 问题三: 消融研究
    5.4 问题四: 推荐的可解释性
第6章 结论和未来的工作
引文出处及参考文献
致谢
攻读学位期间发表的学术论文目录
学位论文评阅及答辩情况表



本文编号：3162241