杨粟森，刘 勇，张举勇

（1.中国科学技术大学 数学科学学院，合肥 230000；2.南洋理工大学及英属哥伦比亚大学百合卓越联合研究中心，新加坡 639798）

0 概述

随着网络信息量的爆炸式增长，推荐系统在诸如电商平台、在线多媒体平台等场景中发挥着越来越重要的作用。推荐系统通过分析用户过往的购买或观看行为，推断用户的喜好并为他们推荐感兴趣的项目。传统推荐算法［1］的性能受限于用户行为的稀疏度，针对这一问题，各种辅助信息被引入到推荐系统中。评论文本作为一种重要的辅助信息，能够描述用户对项目在不同方面的兴趣爱好。

目前，基于评论文本的推荐方法主要包括基于主题建模的方法［2-4］和基于深度学习（如卷积神经网络、循环神经网络）的方法［5-7］，尽管这些方法已经取得了一定的性能提升，但是仍然存在一些局限。基于主题建模的方法仅能捕捉全局水平的文本语义信息，忽略了文本中重要词序和词的上下文信息；基于深度学习的方法虽然可以有效捕捉相邻词的上下文信息，但是在捕捉词与词之间长期、全局和非连续的依赖关系时存在一定的局限性。例如，对用户在多条评论中出现的同一个词而言，无法同时考虑到这个词在不同评论中的相邻词信息（全局和非连续依赖）。除此之外，近年来出现的基于注意力机制的方法［8-10］对评论文本中每个词、句子或者评论赋予重要性权重，但是该类方法只考虑用户或者项目侧的单一静态喜好，无法捕捉交互水平的喜好特性。……