SIGIRJul, 2019

用胶囊网络进行推荐和解释您的喜好和厌恶

PDF
TL;DR该研究利用胶囊网络结合情感分析和逻辑单元技术，从用户评论中挖掘出用户的观点和产品特征，并发现它们之间的关系和情感倾向，从而实现更准确的评级预测和解释。实验结果表明，该方法在七个真实数据集上获得了比最先进的模型更好的预测精度，并可以成功地挖掘出更精细的可解释原因。
user reviewsdeep learningrating predictionlogic unitssentiment analysis
发现论文，激发创造
  • 面向上下文的用户 - 物品表示学习用于物品推荐

    该论文提出了一种名为 CARL 的新型上下文感知用户 - 物品表示学习模型，可用于评级预测，其采用因子分解机进一步建模用户 - 物品对的更高阶特征交互，并通过卷积和注意力机制提取相应的评论特征和交互特征。五个真实数据集上的实验证明，CARL 比现有的最先进的替代方案实现了显着更好的评分预测准确性，并使用注意力机制突出显示评论中的相关信息以解释评级预测。

    Dec, 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

  • 基于胶囊网络和情感词典的在线旅游评论情感分析

    本文介绍了一种基于社交媒体在线评论的在线旅游评论文本情感分类的 SCCL 模型，该模型利用胶囊网络和情感词库，旨在提高语言模型文本语境特征提取的准确性并增强情感语义信息。

    Jun, 2022

  • 通过用户关注和产品关注改进评论表示以进行情感分类

    本文提出了一种新的神经网络框架来编码用户和产品信息，并通过注意力机制将两种信息结合起来进行训练和预测，在 IMDB 和 Yelp 的数据集上显著优于其他最先进的方法。通过对用户或产品相关单词的注意力可视化，验证了对两种信息在情感分类中起着不同作用的观察结果。

    Jan, 2018

  • 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

  • 面向评论的注意力方面建模推荐

    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。

    Nov, 2018

  • 面向推荐的多指针协同注意力网络

    该论文提出了一种基于多层次范式的、利用评论进行推荐的神经网络结构，主要包括基于指针的学习方法和多指针学习方案，该结构相对于其他现有的方法在概率指标上有着显著优势。

    Jan, 2018

  • 基于动态路由的关注胶囊网络用于关系提取

    本研究提出了一种基于胶囊网络和注意力机制的神经网络方法，用于关系提取的多实例多标签学习，实验结果表明该方法显著提高了关系提取的精度，尤其是多实体关系提取。

    Dec, 2018

  • 一个平台无关的推荐框架：基于用户兴趣感知的物品嵌入

    我们提出了一种新颖的兴趣感知胶囊网络（IaCN）推荐模型，该模型直接学习面向兴趣的物品表示，通过不需要大规模重设计的方式，在现有的推荐模型中实现联合学习，实验证明该方法在各种推荐模型下表现出显著的性能提升。

    Aug, 2023

  • BARCOR: 面向会话推荐系统的统一框架

    本文提出了一种基于 BART 的统一框架，针对面向对话推荐的两个任务（推荐和响应生成）设计了单一模型，另外还构建了一个电影领域的轻量级知识图谱，在自动化和人类评估方面都取得了最先进的表现。

    Mar, 2022