| 论文名字 |
Joint Deep Modeling of Users and Items Using Reviews for Recommendation |
| 来源 |
|
| 年份 |
2017 |
| 作者 |
Lei Zheng, Vahid Noroozi, Philip S. Y u |
| 核心点 |
提出基于神经网络的推荐系统模型DeepCoNN |
| 阅读日期 |
2021.3.11 |
| 影响因子 |
|
| 页数 |
10 |
| 引用数 |
|
| 引用 |
|
| 内容总结 | |
| 文章主要解决的问题及解决方案：
文章的主要工作： 1、作者提出基于神经网络的模型，一种从某个用户的评论中学习到该用户喜好，另一种是从用户对某个商品的评论中学习到该商品的特征和特点。该网络模型被命名为Deep Cooperative Neural Networks (DeepCoNN)，网络由耦合在最后几层的两个并行神经网络组成。 2、网络模型中的交互层是由矩阵分解技术驱动的，以使用户和项目的潜在因素彼此交互。 3、一个关键的贡献是，DeepCoNN使用预训练的词嵌入技术来表示评论文本，以从评论中提取语义信息。 4、模型优点：（1）使用文本评论对用户行为和商品属性进行联合建模。 两个神经网络顶部的额外共享层连接了两个并行网络，因此用户和项目表示可以相互交互以预测收视率。（2）使用预先训练的深度模型将评论文本表示为单词嵌入。实验结果表明，评论的语义和情感态度可以提高评分预测的准确性。（3）不仅通过利用评论缓解了稀疏性问题，而且显著提高了系统的整体性能。 5、模型细节： 该模型由耦合在最后一层的两个并行神经网络组成，一个网络用于用户(Netu 在第一层中，用户或项目的评论文本被表示为单词嵌入矩阵，以捕获评论文本中的语义信息。下一层则是常规的CNN网络，包括卷积层、最大池化层和全连接层。最后在两个网络的顶部增加了一个顶层，让隐藏层的用户和项目的潜在因素相互作用。 图1 模型框架 6、用的三个数据集：Yelp、Amazon、Beer 7、模型评估用MSE(Mean Square Error)， 8、算法流程：首先对一个word embedding的词表进行预训练，对某个用户，将其对所有商品的评论拼接为一个序列，对其中的每个次，在模型的第一层中找对应的向量，最后形成的是一个word embedding的矩阵，作为CNN的输入。经过CNN的全连接层后，由于它们位于不同的特征空间中并无法比较，所以最后有一层共享层，来耦合Netu
文章内容：
实验结果：
附录：
参考文献：
| |