理解电商 Top-N 推荐中评论信息的有效性

现代电子商务网站包含异构信息源，如数值评分、文本评论与图像。这些信息可被用于辅助推荐。通过文本评论，用户明确表达其对物品的偏好。先前研究者发现，利用从这些评论中提取的信息，我们可以更好地刻画用户的显式偏好与物品特征，从而提升推荐性能。然而，以往多数算法仅将评论信息用于显式反馈问题即评分预测；当涉及隐式反馈排序问题如 top-N 推荐时，评论信息的使用尚未被充分探索。鉴于此空白，本文中我们研究在电商设定下文本评论信息对 top-N 推荐的有效性。我们将若干 SOTA 的基于评论的评分预测模型适配于 top-N 推荐任务，并从性能与效率两方面与现有 top-N 推荐模型比较。我们发现仅利用评论信息的模型无法取得优于朴素隐式反馈矩阵分解方法的性能。当将评论信息用作正则化项或辅助信息时，隐式反馈矩阵分解方法的性能可进一步提升。然而，利用文本评论进行电商 top-N 推荐的最优模型结构尚待确定。