评论文本蕴含丰富的用户信息和物品信息,对于用户的购买决策有着重要作用.当用户面对不同的目标物品时,会展现复杂的兴趣.因此准确提取评论中的语义特征并建模物品和用户之间的上下文交互,对学习用户偏好和物品属性十分关键.专注于增强...评论文本蕴含丰富的用户信息和物品信息,对于用户的购买决策有着重要作用.当用户面对不同的目标物品时,会展现复杂的兴趣.因此准确提取评论中的语义特征并建模物品和用户之间的上下文交互,对学习用户偏好和物品属性十分关键.专注于增强推荐系统的个性化捕捉和动态兴趣建模能力,考虑不同特征的有用性,提出了一种分层级描述感知的个性化推荐(description-aware personal recommendation,DAPR)算法:在评论集合的单词层级,设计个性化的信息选择网络,提取重要的单词语义特征;在评论层级,基于交叉注意力机制设计神经网络,动态地学习评论的有用性;拼接评论摘要作为描述,设计协同注意力网络,捕捉更丰富的上下文感知的特征.在5个Amazon数据集上的实验结果证明了所提方法能取得与基线模型相当的推荐性能.展开更多
文摘评论文本蕴含丰富的用户信息和物品信息,对于用户的购买决策有着重要作用.当用户面对不同的目标物品时,会展现复杂的兴趣.因此准确提取评论中的语义特征并建模物品和用户之间的上下文交互,对学习用户偏好和物品属性十分关键.专注于增强推荐系统的个性化捕捉和动态兴趣建模能力,考虑不同特征的有用性,提出了一种分层级描述感知的个性化推荐(description-aware personal recommendation,DAPR)算法:在评论集合的单词层级,设计个性化的信息选择网络,提取重要的单词语义特征;在评论层级,基于交叉注意力机制设计神经网络,动态地学习评论的有用性;拼接评论摘要作为描述,设计协同注意力网络,捕捉更丰富的上下文感知的特征.在5个Amazon数据集上的实验结果证明了所提方法能取得与基线模型相当的推荐性能.
