MMALFM：利用评论与图像的可解释推荐
信息检索
2018-11-27 v2
摘要
尽管隐因子模型在评分预测中取得了良好精度，但它存在诸多问题，包括冷启动、不透明以及对单个用户-物品对结果次优。本文中，我们利用文本评论与物品图像连同评分来应对这些局限。具体而言，我们首先在文本评论与物品图像上应用所提出的多模态方面感知主题模型（MATM）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各项方面重要性。然后将方面重要性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引入权重矩阵将这些隐因子与MATM中同一组方面相关联，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，我们的模型能缓解数据稀疏问题并获得良好的推荐可解释性。此外，每个方面评分由其方面重要性加权，该重要性依赖于目标用户偏好与目标物品特征。因此，所提方法有望对每个用户-物品对更准确地建模用户偏好。我们在Yelp 2017 Challenge数据集与Amazon产品数据集上进行了全面的实验研究以证明方法的有效性。
引用
@article{arxiv.1811.05318,
title = {MMALFM: Explainable Recommendation by Leveraging Reviews and Images},
author = {Zhiyong Cheng and Xiaojun Chang and Lei Zhu and Rose C. Kanjirathinkal and Mohan Kankanhalli},
journal= {arXiv preprint arXiv:1811.05318},
year = {2018}
}
备注
This paper has been accepted by Transactions on Information Systems. arXiv admin note: substantial text overlap with arXiv:1802.07938