發(fā)布時間：2021-04-26 22:33

　　用戶在線發(fā)布的對商品的評論包含著豐富語義信息,這些評論中的語義信息蘊含著用戶偏愛的方面以及推薦中的商品的屬性。最近,各種推薦方法已經(jīng)開發(fā)出相應(yīng)的模塊,以利用評論來改進建議性能。一個高級分支是提取顯著性的方面（即用戶在評論中表達的商品屬性）,并將這些aspect與用戶和商品的潛在表示形式進行高級組合,從而進行特征學(xué)習(xí)。但是,以前涉及評論的推薦方法中,所有人都忽略了以下問題:語義上不同的評論通常包含截然相反的aspect的信息。具體來說,是語義上積極的用戶評論,通常表示用戶偏愛的方面,而語義上負面的評論表示用戶拒絕的方面。然而,現(xiàn)有的基于評論的（包括aspect感知的）推薦方法都無差別地對正面和負面評論進行處理,沒有特別地區(qū)分并處理不同極性的評論。結(jié)果,這將導(dǎo)致模型混淆用戶偏好的和用戶拒絕的（商品的）aspect（方面）。由于用戶的喜好具有兩面性,因此,這些已有的推薦方法不能適當?shù)夭蹲接脩舻南埠?這其實惡化了模型的推薦性能。為此,本文提出了稱為“RPR”的“Review Polarity-wise Recommender”（基于兩極性評論的推薦系統(tǒng)）模型,區(qū)別對待具有不同極性的評論。在這個... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：47 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第1章 緒論
第2章 相關(guān)工作
    2.1 涉及評論的推薦系統(tǒng)
    2.2 推薦系統(tǒng)中的深度學(xué)習(xí)
第3章 具體方法
    3.1 問題公式化
    3.2 aspect重要性的提取
    3.3 aspect分數(shù)的預(yù)測
    3.4 注意力機制的aspect重要性的補充向量
    3.5 總體目標
第4章 實驗設(shè)置
    4.1 數(shù)據(jù)集
    4.2 實驗設(shè)置
    4.3 實驗基線方法
第5章 實驗結(jié)果
    5.1 問題一: 推薦表現(xiàn)的對比
    5.2 問題二: 關(guān)鍵的超參數(shù)的效果
    5.3 問題三: 消融研究
    5.4 問題四: 推薦的可解釋性
第6章 結(jié)論和未來的工作
引文出處及參考文獻
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄
學(xué)位論文評閱及答辯情況表



本文編號：3162241