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

推荐系统是一种在电商平台中十分常见的信息过滤系统，它能基于用户的历史记录来学习用户的兴趣和爱好，进而推测用户的偏好和对商品的评分。

近年大量推荐算法被相继提出，其中预测用户对未知商品的评分是一个主要分支。特别是作为工业界中极其流行的一种技术——协同过滤，其中很多都是仅使用评分数据的矩阵分解方法，但其性能主要受评分数据天然的稀疏性所制约。使用评论文本来对用户偏好和商品特点进行建模，是缓解数据稀疏的有效途径[1,4]。例如：ConvMF[1]将CNN结合到概率矩阵分解，能同时挖掘评分数据和商品描述文本数据；ANR[4]利用注意力机制，将评论与用户不同方面的偏好相结合来提高推荐性能。

尽管各种推荐算法性能的提高越来越显著，但是对于不同用户或商品时，提取评论信息所使用的模型是相同的，忽略了用户和商品的个性化特征。例如，假设用户A更关注价格问题，用户B更关心质量问题，他们同时写了一条相似的评论：该平板电脑价格高昂、质量不错。用户A由于价格的问题给出了一个不满意的评分，而用户B则给出了满意的评分。因此，对于不同的用户或商品，意思相近的一条评论将会有不同具体含义。特别是在学习用户偏好和商品特点的时候，要求模型学习出个性化的评论含义显得尤为重要。

本文提出基于个性化的多层注意力推荐算法PMAR(Personalized Multiple Attention Recommender)。……