冯兴杰 曾云泽

(中国民航大学计算机科学与技术学院 天津 300300)

0 引 言

在电商网站购物的过程中，商品的评分对用户的购买决策起到了指导作用。特别是对于未曾接触过的商品，用户会更倾向于尝试购买评分高的商品。准确地预测出用户对未接触过的商品的评分，能够指导推荐系统将商品推荐给潜在的客户，是电商公司创收的有效途径。在评分预测任务中，矩阵分解(Matrix Factorization,MF)是最经典的模型[1]。MF仅依赖于用户-物品的评分矩阵，将用户和物品特征映射为在同一隐空间的隐因子向量。然而，评分仅能表示用户对物品的整体满意程度，不能对潜在方面作出合理解释。例如，一间餐馆获得高评分，但是却不能指出究竟是其服务态度好还是菜品美味所导致的。所以，MF不能很好地学习出用户在物品不同方面的潜在偏好。另外，当评分矩阵稀疏(一个用户评分过的物品仅占总物品数量的极少部分)时，MF的评分预测精度将受到严重影响。

为了解决以上问题，研究人员将研究重点转移至评论文本。伴随着评分的评论文本，直观地展示了该用户对物品具体某一方面的评价，能很好地刻画用户偏好和物品特点。很多使用评论文本来进行推荐任务的相关方法被陆续提出。以往经典的工作都是使用主题模型LDA(Latent Dirichlet Allocation)[2]来自动地从评论文本提取出不同方面的信息[3-6]。近年来由于深度学习的强大学习能力，研究人员逐渐使用深度学习技术来取代LDA处理评论文本，学习出更好的用户偏好和物品特点[7-12]。……