探索潜在语义因子以发现有用产品评论
人工智能
2017-05-09 v1 计算与语言
信息检索
社会与信息网络
机器学习
摘要
消费者提供的在线评论是电子商务平台的宝贵资产，影响潜在消费者的购买决策。然而，这些评论质量参差不齐，有用的评论被埋没于大量无信息量的评论之中。本工作中，我们尝试根据评论对最终消费者的帮助性自动识别其质量。不同于该领域先前利用多种句法和社区级特征的工作，我们深入探究评论的语义以理解其为何有用，并为此提供可解释的解释。我们从用户生成评论的文本、评分和时间戳中识别出一组一致性与语义因子，使我们的方法可泛化至所有社区与领域。我们从若干潜在因子（如作者的专长、其对底层产品细粒度方面的判断、以及其写作风格）探索评论语义。这些因子被构建为一个基于隐马尔可夫模型——潜在狄利克雷分配（HMM-LDA）的模型，以联合推断：(i) 评论者专长，(ii) 物品方面，(iii) 评论帮助性。在来自亚马逊的五个真实世界数据集上的大规模实验表明，在预测和排序有用评论方面相较最先进的基线有显著提升。
引用
@article{arxiv.1705.02518,
title = {Exploring Latent Semantic Factors to Find Useful Product Reviews},
author = {Subhabrata Mukherjee and Kashyap Popat and Gerhard Weikum},
journal= {arXiv preprint arXiv:1705.02518},
year = {2017}
}