<> 评论打分预测

综述:

  本文将 CNN 与 FM(Factorization Machine) 结合,基于评论文本来进行评分预测。

简介:

目前将神经网络应用推荐系统的研究工作中,有一类思路是把如CNN等神经网络作为特征提取器,从图片、文本等辅助信息中提取特征向量,

’再融合到传统的如BPR, PMF等基于矩阵分解的推荐系统模型中来提升推荐性能。

  相较于ConvMF使用物品的文本描述信息来约束物品对应的隐向量,本文构建了两个并行的CNN模型,一个以用户发表的评论文本作为输入,

提取用户的行为特征;另一个以商品收到的评论文本作为输入,学习商品的特性。

  在两个CNN模型的输出层之上有一个共享层,使用FM来建模用户的特征与商品的特征之间的关联关系,从而将用户向量和商品向量映射到相同

的特征空间。这就是模型名称中Cooperative一词的由来,同时对用户特征和商品特征进行提取,再通过因子分解机来预测用户对商品的评分值。

<<Joint Deep Modeling of Users and Items Using Reviews for Recommendation>>  评论打分预测

详细:

  • Word Representation

<<Joint Deep Modeling of Users and Items Using Reviews for Recommendation>>  评论打分预测

user review text 是把每个用户所有的评论 拼接起来,这样用户就对应1篇文档,这篇文档由这个用户的多个评论组成。

  • CNN - layer

传统卷积层,把一篇文档输入后,最后得到这个用户的向量表达。同理,可以得到每个商品的向量表达。

  • FM层

<<Joint Deep Modeling of Users and Items Using Reviews for Recommendation>>  评论打分预测

通过 CNN 得到用户 u 的特征向量 x_u 和物品j的特征向量 y_j 后,将两者连接成向量 z =(x_u, y_j)。然后使用因子分解机来预测用户 u 对物品j的打分,

目标函数为公式7,其中 w _0 是全局偏置量,w _i 表示向量z 中第i个分量的权重, 则建模了各分量之间二阶的交互关系。

上一篇:烂泥:U盘安装Centos6.5


下一篇:Leetcode: Trapping Rain Water II