利用评论属性实现有效推荐
信息检索
2021-02-08 v1
摘要
许多最先进的推荐系统通过考虑用户发布的显式物品评论在表示用户偏好和描述物品属性方面的有用性来利用这些评论。这些已发布评论可能具有各种关联属性，例如其长度、发布以来的时长或其物品评分。然而，这些不同的评论属性如何有助于相应评论在解决推荐任务中的有用性仍不清楚。特别地，用户在考虑评论的不同方面（即属性）以对物品做出决策时表现出不同的偏好。因此，在学习用户偏好和物品属性时，对评论属性与评论有用性之间的关系进行建模十分重要。为此，我们提出对评论及其关联可用属性进行建模。我们引入一种新颖的基于评论属性的推荐模型（RPRM），该模型学习哪些评论属性在捕捉评论有用性方面比其他属性更重要，从而提升推荐结果。此外，受用户信息采纳框架启发，我们将两个损失函数与一种负采样策略集成到所提出的 RPRM 模型中，以确保评论属性与用户偏好相关联。我们使用知名的 Yelp 和 Amazon 数据集检验了 RPRM 的有效性。我们的结果表明 RPRM 显著优于一个经典基线和五个最先进基线。此外，我们通过实验展示了所提损失函数和负采样策略的优势，其进一步提升了 RPRM 的推荐性能。
引用
@article{arxiv.2102.03089,
title = {Leveraging Review Properties for Effective Recommendation},
author = {Xi Wang and Iadh Ounis and Craig Macdonald},
journal= {arXiv preprint arXiv:2102.03089},
year = {2021}
}
备注
To be published in the International World Wide Web Conference (WWW) 2021