Nov, 2018

面向评论的注意力方面建模推荐

PDF
TL;DR本文提出了一种基于注意力机制的基于方面的推荐模型来提高推荐性能并解决了协同过滤方法中面临的问题，例如用户 - 产品之间的稀疏性和用户兴趣动态变化。
recommendation performanceuser reviewsproduct reviewsattentive aspect-basedneural attention network
发现论文，激发创造
  • 从多方面评论中学习态度和属性

    本文提出了基于多层次评价维度的评分系统，并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集，证明了该模型的可行性及在现实世界数据上的可扩展性。此外，该模型能够自动学习与特定方面相关的内容词和情感词，从而将评论文本中的内容和情感信息分离开来。

    Oct, 2012

  • 面向方面的潜在因素模型：使用评价和评论进行评级预测

    本文提出了一种基于文本信息和评分数据来提高推荐系统效能的方法，采用 Aspect-aware Topic Model 将用户的偏好和项目的特征从不同角度进行建模，然后将得出的方面重要性整合到一种学习用户和项目潜在因素的新型 Aspect-aware Latent Factor Model 中，最终获得更好的推荐解释性，并且展现了良好的实验结果。

    Feb, 2018

  • 使用方面抽取方法生成评论摘要和用户配置文件

    本研究评估了一个新提出的神经模型在提取评论方面的可行性，结果表明该模型能够从用户评论中准确识别和提取各个方面并生成用户偏好的基于方面的概要。

    Apr, 2018

  • 基于主题 - 注意力网络的方面类别检测

    通过基于注意力机制的深度神经网络方法，对餐厅方面的用户评论进行情感分析，并尝试将评论句子归为一组预定义的方面类别。在 SemEval 研讨会发布的两个餐厅领域数据集上，我们的方法表现优于现有的方法，并可视化主题注意权重来展示模型识别与不同主题相关的单词的效果。

    Jan, 2019

  • 通过联合建模方面和价值自动聚合

    我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

    Jan, 2014

  • 利用评论和图片进行可解释推荐的 MMALFM 模型

    通过使用多模态、面向方面的主题模型（MATM）和面向方面的潜因子模型（ALFM）来结合文本评论和物品图像与评分，解决了潜因子模型在推荐系统中存在的冷启动、非透明性和子优解等问题，并且在 Yelp 2017 挑战数据集和亚马逊产品数据集上实验表明了该方法的有效性。

    Nov, 2018

  • 在线非主动客户评价中的潜在方面检测

    本文提出了一种使用潜在狄利克雷分配方法来提取隐性评论方面的无监督方法，以改进现有的基于监督学习方法，并帮助产品所有者和服务提供者确定缺陷并优先满足客户需求，以维持收入和减少客户流失。

    Apr, 2022

  • 神经注意力基于会话的推荐

    研究了如何在短时间内从用户的行为进行推荐，提出了一种新型的神经网络框架 NARM，通过注意力机制解决了仅利用当前会话中用户的顺序行为进行推荐的问题，同时结合用户当前会话中的主要目的，成功地提高了推荐算法的准确率和效率。

    Nov, 2017

  • 具有关注交互的非对称分层网络，用于可解释的基于评论的推荐

    本文中，我们开发了一种新颖的神经网络模型，通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。

    Dec, 2019

  • ATRank: 一种基于注意力机制的用户行为建模框架用于推荐

    本文提出了一种名为 ATRank 的基于注意力机制的用户行为建模框架，主要用于推荐系统，通过将异构用户行为投影到多个潜在语义空间中，使用自注意力在行为之间进行影响，并通过 vanilla attention 提供给下游应用程序使用，实验证明 ATRank 具有更好的性能和更快的训练速度，进一步探索 ATRank 使用一种统一模型同时预测不同类型的用户行为，显示出与高度优化的单独模型相当的性能。

    Nov, 2017