杨振宇 , 刘国敬, 王 钰

1 中国矿业大学信息与控制工程学院 徐州 中国 221116

2 齐鲁工业大学(山东省科学院)计算机科学与技术学院 济南 中国 250353

1 研究背景

现如今, 许多社交媒体网站和电子商务系统都允许用户通过撰写评论文本的方式来表达其对所购买商品或服务的使用体验, 同时还倡导进行数字评分[1-4]。这些评论文本中包含的丰富信息可以揭示商品的特征以及每个用户的偏好, 并在增强平台推荐系统的个性化方面起到了越来越重要的作用。目前,许多推荐系统都是利用评论文本来获得更好的评分预测性能, 而不是使用原始而稀疏的用户-物品评分[5]。

早期的研究侧重于主题建模[6-7]或非负矩阵分解[8-9]来推导评论文本中的潜在特征。相比较于传统的基于用户-物品交互[10-13]的协同过滤模型, 这些技术具有一定的优越性, 并能获得更好的推荐性能。然而, 由于这些工作使用了词袋表示[14-15]模式而没有考虑评论上下文信息, 导致出现了明显的信息损失。

随着深度学习在自然语言处理等领域取得的巨大成功, 许多基于该技术的推荐模型极大的提高了评分预测的性能。在这些工作中, 卷积神经网络[16-18]架构分别从用户和物品对应的评论中提取潜在特征。通过使用一个密集的词嵌入矩阵来表示评论, 随后应用一个固定大小的滑动窗口来捕获上下文信息。基于卷积神经网络的技术更好的促进了对评论中语义信息的理解, 导致对现有基于词袋模式的评分预测方法的显著改进。……