用于推荐并解释好恶的胶囊网络

用户评论蕴含了关于用户对物品特征偏好的丰富语义。近期，许多基于深度学习的解决方案通过利用评论来进行推荐。这些工作主要采用注意力机制来识别对评分预测重要的词或方面。然而，若不审查评论细节，仍难以根据用户所持观点及程度来理解用户是喜欢还是不喜欢某物品的某方面。在此，我们将用户所持观点与物品某方面的组合视为一个逻辑单元。通过从评论中发现信息性逻辑单元并解析其对应情感来推理评分行为，能够实现带解释的更优评分预测。为此，本文提出一种基于用户评论的评分预测胶囊网络模型，命名为 CARP。对于每个用户-物品对，CARP 被设计为从评论中提取信息性逻辑单元并推断其对应情感。该模型首先分别从用户和物品评论文档中提取观点和方面。然后我们基于构成逻辑单元的观点和方面推导其表示。提出了一种带有新颖双向协议路由机制的胶囊架构，以识别信息性逻辑单元及用户-物品级别的基于情感的表示，用于评分预测。在七个具有不同特性的真实数据集上进行了大量实验。结果表明，所提出的 CARP 在预测精度上显著优于近期提出的最先进模型。进一步分析表明，我们的模型能够在更细的粒度上成功发现可解释的原因。