面向在线评论的大规模联合主题、情感与用户偏好分析
信息检索
2019-01-17 v1 机器学习
应用统计
机器学习
摘要
本文在变分推断（VI）与随机变分推断（SVI）框架下，对先前具有stick-breaking表示的联合主题-情感-偏好评论模型TSPRA进行了非平凡的重构。TSPRA是一个基于Gibbs采样的模型，可同时求解主题、词语情感与用户偏好，并已展现出良好性能，但对于大型数据集只能从相对较小的样本中学习。我们开发了变分模型vTSPRA与svTSPRA以改善时间消耗，且我们的新方法能够处理数百万条评论。我们重建了生成过程，改进了评分回归，求解并给出了变分参数的坐标上升更新，且表明每次迭代的时间复杂度在理论上与语料规模呈线性；在Amazon数据集上的实验显示其比TSPRA收敛更快，并在相同时间内取得更好结果。此外，我们将svTSPRA调优为在线算法ovTSPRA，可随时间监测情感与偏好的波动。我们捕捉到一些有趣的波动并给出可能的解释。结果有力直观地表明，用户偏好更宜作为独立于情感的因素对待。
引用
@article{arxiv.1901.04993,
title = {Large-Scale Joint Topic, Sentiment & User Preference Analysis for Online Reviews},
author = {Xinli Yu and Zheng Chen and Wei-Shih Yang and Xiaohua Hu and Erjia Yan},
journal= {arXiv preprint arXiv:1901.04993},
year = {2019}
}