一种用于推荐系统评论建模的分层自注意力卷积网络
信息检索
2020-11-30 v1
摘要
利用评论学习用户与物品的表示对推荐系统十分重要。当前基于评论的方法可分为两类：(1) 基于卷积神经网络(CNN)的模型，从用户/物品评论中提取 n-gram 特征；(2) 基于循环神经网络(RNN)的模型，从评论中学习用户与物品的全局上下文表示。尽管已有成功应用，以往研究中基于 CNN 与 RNN 的模型均存在各自缺陷。基于 CNN 的模型难以建模文本中的长程依赖关系，而基于 RNN 的模型由于无法并行计算，训练与推理速度较慢。为缓解这些问题，我们提出一种新的文本编码器模块，通过结合卷积网络与自注意力网络对文本中的局部与全局交互一并建模，用于推荐中的评论建模。由于不同词、句子、评论对建模用户与物品表示的重要性不同，我们分层构建评论模型：在句子级用词编码句子，在评论级用句子编码评论，在用户/物品级用评论编码用户与物品表示。在 Amazon Product Benchmark 上的实验表明，与当前最优的基于评论的推荐模型相比，我们的模型取得了显著更优的性能。
引用
@article{arxiv.2011.13436,
title = {A Hierarchical Self-attentive Convolution Network for Review Modeling in Recommendation Systems},
author = {Hansi Zeng and Qingyao Ai},
journal= {arXiv preprint arXiv:2011.13436},
year = {2020}
}