利用评论邻居进行上下文感知的有用性预测
计算与语言
2020-06-18 v1
摘要
有用性预测技术已被广泛用于识别并向客户推荐高质量的在线评论。目前，绝大多数研究假设一条评论的有用性是其自身固有的。然而在实践中，鉴于评论的顺序性，客户几乎不会独立地处理评论。一条评论的感知有用性很可能受到其顺序邻居（即上下文）的影响，这一点在很大程度上被忽视了。本文提出一种新方法以捕捉评论与其邻居之间缺失的交互。我们开发了首个端到端神经网络架构用于邻居感知的有用性预测（NAP）。对于每条评论，NAP允许三种邻居选择：其前序、后序与周边邻居。设计了四种加权方案以从所选邻居中学习上下文线索。随后将评论上下文化到所学线索中用于邻居感知的有用性预测。NAP在六个领域的真实世界在线评论上针对一系列最先进的基线进行了评估。大量实验证实了NAP的有效性以及顺序邻居对当前评论的影响。进一步的超参数分析揭示了三个主要发现。（1）平均而言，八个以非均衡重要性处理的邻居被用于上下文构建。（2）邻居感知预测的优势主要源于更近的邻居。（3）均等考虑一条评论至多五个最近邻居通常可产生较弱但可容忍的预测结果。
引用
@article{arxiv.2006.09685,
title = {Exploiting Review Neighbors for Contextualized Helpfulness Prediction},
author = {Jiahua Du and Jia Rong and Hua Wang and Yanchun Zhang},
journal= {arXiv preprint arXiv:2006.09685},
year = {2020}
}