本文介绍了一种使用深度学习方法改进推荐系统表现的模型 - DeepCoNN，即使用神经网络学习目标用户所有评论的一个潜在表示形式，第二个潜在表示与目标物品的所有评论文本匹配，将这些表示组合起来，同时介绍了一种名为 TransNets 的模型，它通过引入表示目标用户 - 目标项目对的额外潜在层来扩展 DeepCoNN 模型，并通过训练时间对此层进行规化，使其类似于目标用户评论的潜在表示，证明 TransNets 及其扩展显着提高了之前的最新状态。

Apr, 2017

本文提出了一种名为 TransRec 的方法，它可以将用户和项目之间以及项目之间的复杂交互建模，用于预测用户的个性化顺序行为，通过将项目嵌入到 “转换空间” 中，并使用用户来操作项目序列的翻译向量，以便捕捉第三阶交互关系。在广泛的真实世界数据集中，该方法表现优于现有方法。

Jul, 2017

本研究提出了一种新颖的端到端框架，即评论增强的会话推荐器（RevCore），其中外部信息（例如评论）被无缝地整合以丰富物品信息并协助生成连贯和信息丰富的响应。

Jun, 2021

通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

Jun, 2018

利用个性化的文本评价模型 PTER，基于特定用户交互和可用评价，预测并解释旅游餐厅的评论。

May, 2022

本文介绍了 TransCF 推荐算法，通过利用邻域信息，利用翻译机制构造用户 - 项目特定的翻译向量，并根据用户与项目的关系把用户向项目进行翻译， 用于解决潜在用户 - 项目关系建模的难题，实验表明该算法在现实世界数据集上具有优异的推荐性能，超过了现有方法。

Jun, 2019

该研究提出了两种将商品评论融入贝叶斯个性化排名的新颖简单模型，并通过六个真实数据集的实验，证明了融入商品评论对于推荐系统预测排序的益处。

Jan, 2017

提出了一种名为 NRT 的基于深度学习的框架，该框架同时可以预测精确的评分和生成具有良好语言质量的抽象提示，从而帮助设计更好的推荐系统。在基准数据集上的广泛实验表明，NRT 方法在不同领域均实现了显着改进。此外，生成的提示可以生动地预测用户的体验和感受。

Aug, 2017

论文提出了一种使用生成文本解释推荐结果的框架，旨在为推荐系统提供可解释性，实现个性化解释，实验结果表明，与人类编写的评论相比，生成的评论在推荐性能方面表现更好。

Jul, 2018

本研究提出了一个利用用户评论的神经序列推荐模型，以考虑长期偏好和短期时序，通过使用评论提取方面感知表示来编码每个用户或项目，并在联合级别和个人级别上采用新颖的分层注意力机制来捕捉顺序模式，并在三个真实世界数据集上取得显着的性能改进。

Jul, 2019