机器学习在在线声誉系统中的应用
本研究提出一种新方法将机器学习与消息传递算法相结合，采用主动学习方式进行标签采样，用于判别评论者是垃圾评论者还是正常评论者，并在三大真实数据集中进行实验，证明其在机器学习方法和标签数据较少情况下性能优越。
May, 2022
本文使用 16 种不同的特征提取方法（包括 unigrams、bigrams、trigrams 和潜在语义索引）和 4 种机器学习算法（包括逻辑回归、朴素贝叶斯分类、感知器和线性支持向量分类）将评论评级预测视为多类分类问题，并分析了每种模型的性能，从而提出了最佳模型。使用 Yelp 数据集来训练和测试模型。
May, 2016
使用混合专家框架，本文旨在自动学习如何判断一个产品评论是否与给定查询相关，并在一个包括 1.4 百万个问题和答案以及 13 百万个评论的语料库上评估我们的系统，Moqa，并表明它对于处理二元和开放性查询都有效，在定性研究中还展示了这个系统能够提供人工评估认为相关的评论。
Dec, 2015
该研究利用在线用户评论揭示隐藏在其中的信息，通过识别和理解用户评分时的各种维度，预测产品的评分。该方法可以在没有评论文本的情况下，使用少量用户评分来预测评分，并在预测精度方面优于传统方法达 16-27％。
Apr, 2016
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
本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。
Jan, 2016
在线商务依赖于用户生成的评论来提供对物品的客观信息，该论文提出了一种利用机器学习方法进行评论检测和提取的方法，并展示了该方法在对未包含在训练数据中的网站上的使用上的推广性。此方法承诺驱动自动检测和评估评论的应用，无论其来源如何。此外，通过实施和讨论三个关键应用：情感不一致性分析、多语言支持和假评论检测，展示了该方法的多功能性。
May, 2024
本篇论文讨论了推荐系统中的道德和社会问题，特别是 malicious user bias 所致的偏见和攻击对推荐模型的影响，强调了设计公平和稳定的推荐系统的重要性，尤其针对深度学习协同过滤推荐系统的脆弱性。
Sep, 2022