Jul, 2022

基于提示的情感分析增强协同过滤推荐

PDF
TL;DR本文通过优化 NLP 模型的情感分析能力，并利用 Amazon US Reviews 数据集，得出使用 fine-tuned RoBERTa 对情感评分进行增强的 CF 推荐算法表现最佳，相较于基准算法在 MAP、NDCG 和 K 精度上有 30.7% 的整体提升；但对于 prompt-based 学习范式，虽然纯情感分析掌握得更好，但在进一步提升 CF 推荐算法方面表现不佳。
collaborative filteringrecommendersentiment analysisnlp modelsroberta
发现论文，激发创造
  • 使用文本数据的个性化神经嵌入协同过滤

    本论文提出了一种个性化神经嵌入框架 (PNE)，通过融合互动和单词来预测用户对物品的期望，解决了传统协同过滤方法中物品与用户关系稀疏的问题，并在两个真实数据集上展示了比四个基线模型更好的性能表现。同时，通过可视化展示了 PNE 可以学习到有意义的单词嵌入。

    Mar, 2019

  • 基于提示的个性化冷启动推荐

    本研究提出了一种基于预训练语言模型的情感分析方法来解决冷启动问题，并引入了一个评估方法来验证其有效性。

    Jun, 2023

  • 推荐系统的协作深度学习

    本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

    Sep, 2014

  • 基于预训练语言模型的知识感知协同过滤用于个性化基于评论的评分预测

    为解决个性化基于评论的评分预测中的问题，提出了一种名为 KCF-PLM 的知识感知协同过滤与预训练语言模型的方法，将评论文本、方面、知识图和预训练语言模型结合起来，通过表示传播和用户 - 物品引导关注来模拟用户 - 物品交互，实验证明了 KCF-PLM 的有效性。

    Aug, 2023

  • 基于客服互动的消息级情感分析的负面用户检测框架

    本文提出了一个基于即时聊天的客户支持 (CS) 互动的框架，用于预测个体用户的推荐决策。通过分析一家拉丁美洲大型电子商务公司金融垂直领域内的 16.4k 用户和 48.7k 客户支持对话，本研究的主要贡献和目标是利用自然语言处理（NLP）来评估和预测推荐行为，在使用静态情感分析的同时利用每个用户的情感动态的预测能力。结果表明，通过信息级别的情感演变，可以完全自动化地预测用户推荐产品或服务的概率以及相关的功能解释。

    Nov, 2022

  • 大型语言模型与协同过滤相遇：一种高效全能基于 LLM 的推荐系统

    提出了一种高效的全方位基于语言模型的推荐系统，能够在冷和热场景下表现出卓越的性能，并利用协同知识和高质量用户 / 物品嵌入来生成自然语言输出。

    Apr, 2024

  • 基于分布式表示的混合推荐系统与短物品描述

    本文提出了一种基于文本向量表示的协作过滤算法，用于在获取商品评分困难的情况下进行推荐，并与现有的算法进行了对比验证其有效性。

    Mar, 2017

  • 通过提示策略增强评论文本的多领域情感分析

    采用 RP-CoT 促进策略可以极大提升情感分析的准确性。

    Sep, 2023

  • 神经协同过滤

    本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

    Aug, 2017

  • 从评论中学习分布式表示用于协同过滤

    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