方面感知隐因子模型：基于评分与评论的评分预测
信息检索
2018-02-23 v1
摘要
尽管隐因子模型（例如矩阵分解）在评分预测中取得了良好精度，它们仍存在若干包括冷启动、不透明性以及对局部用户或物品的次优推荐等问题。在本文中，我们利用文本评论信息与评分来应对这些局限。首先，我们在评论文本上应用所提出的方面感知主题模型（ATM）从不同方面建模用户偏好与物品特征，并估计用户针对某物品的方面重要性。该方面重要性随后被整合进一种新颖的方面感知隐因子模型（ALFM），其基于评分学习用户与物品的隐因子。特别地，ALFM 引入一个加权矩阵将那些隐因子与 ATM 发现的同一组方面相关联，使得隐因子可用于估计方面评分。最后，总体评分通过方面评分的线性组合计算，并以相应方面重要性加权。至此，我们的模型可缓解数据稀疏问题并获得良好的推荐可解释性。此外，方面评分由方面重要性加权，而后者依赖于目标用户偏好与目标物品特征。因此，期望所提方法能针对每个用户-物品对在局部更准确地建模用户对该物品的偏好。我们在来自 Amazon 与 Yelp 2017 Challenge 数据集的 19 个数据集上进行了全面的实验研究。结果表明，与强基线方法相比，我们的方法取得了显著改进，尤其对于仅有少量评分的用户。而且，我们的模型可深度解释推荐结果。
引用
@article{arxiv.1802.07938,
title = {Aspect-Aware Latent Factor Model: Rating Prediction with Ratings and Reviews},
author = {Zhiyong Cheng and Ying Ding and Lei Zhu and Mohan Kankanhalli},
journal= {arXiv preprint arXiv:1802.07938},
year = {2018}
}
备注
This paper has been accepted by the WWW 2018 Conference