基于評(píng)論挖掘的跨域推薦問題研究.pdf

1、近年來，蓬勃發(fā)展的在線商品評(píng)論網(wǎng)站給廣大用戶帶來了極大便利，同時(shí)用戶也留下了大量的偏好信息。在線商家通過這些偏好信息，了解用戶興趣，為其推薦商品，由此，推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)將用戶表現(xiàn)出的偏好信息進(jìn)行合理的運(yùn)算，預(yù)測(cè)出用戶可能喜歡的商品，供用戶參考。這已被廣泛應(yīng)用于各大在線商品評(píng)論網(wǎng)站中，如Amazon，eBay, Taobao，JD.eom等，取得了極大成功。
　　然而，直到如今，新用戶的冷啟動(dòng)問題仍然是推薦系統(tǒng)中的一個(gè)不可

2、忽視的重要挑戰(zhàn)。對(duì)此，跨領(lǐng)域推薦（以下簡(jiǎn)稱“跨域推薦”）作為一種有效的解決思路，正在引起越來越多研究者的關(guān)注?？缬蛲扑]旨在利用知識(shí)遷移的策略，將一個(gè)相對(duì)稠密域的用戶偏好遷移到相對(duì)稀疏的目標(biāo)域中，用以輔助解決目標(biāo)域的冷啟動(dòng)問題?，F(xiàn)今的跨域推薦工作絕大多數(shù)利用的是用戶對(duì)商品的評(píng)分，而實(shí)際上，評(píng)論文本之類的文本信息蘊(yùn)含著更為豐富的用戶偏好，這是已有工作往往所忽視的。在評(píng)論中，用戶往往會(huì)表達(dá)出對(duì)商品在更細(xì)粒度上的喜惡，合理利用這些細(xì)粒度的情感偏

3、好，將大大有助于提高跨域推薦的準(zhǔn)確度。例如，對(duì)于一部手機(jī)，一個(gè)用戶的評(píng)論可以向我們展現(xiàn)出他對(duì)“屏幕”的看法或者對(duì)“電池”的看法，這比僅利用評(píng)分精確得多。
　　基于此，本文研究如何有效利用評(píng)論中的細(xì)粒度用戶偏好進(jìn)行跨域推薦。由于評(píng)論中的偏好信息是雜亂無章的，所以利用評(píng)論中的細(xì)粒度偏好進(jìn)行跨域推薦相比僅利用評(píng)分等數(shù)據(jù)更為復(fù)雜。其中包含兩個(gè)挑戰(zhàn):第一，如何建模用戶在評(píng)論中的細(xì)粒度偏好來適應(yīng)知識(shí)遷移的需要？第二，如何有效地進(jìn)行基于評(píng)論的知

4、識(shí)遷移？本文對(duì)此進(jìn)行了較為深入的研究，提出了一個(gè)比較完整的解決框架，包含了一系列比較復(fù)雜的問題。具體工作和貢獻(xiàn)概括如下:
　　1.針對(duì)跨域框架中細(xì)粒度偏好的建模問題，本文將“方面”這一層級(jí)引入框架中，并且分別用“評(píng)價(jià)值張量”和“關(guān)注度張量”去建模用戶偏好。從評(píng)論中提取用戶的細(xì)粒度情感偏好，本文使用“用戶-商品-方面”這種三元關(guān)系來組織。對(duì)于這種三元關(guān)系，本文使用三維張量（third-order tensor，以下簡(jiǎn)稱“張量”）進(jìn)行

5、建模。在張量中，每一個(gè)元素記錄某用戶對(duì)某商品在某“方面”上的情感程度。這種建模方式在跨域推薦中的優(yōu)勢(shì)在于:第一，可以將評(píng)論中雜亂無章的用戶偏好組織成便于運(yùn)算的結(jié)構(gòu)化數(shù)據(jù)，便于實(shí)現(xiàn)兩域數(shù)據(jù)的對(duì)接;第二，將“方面”作為一個(gè)獨(dú)立的維度，便于捕捉兩個(gè)不同域中“方面”的聯(lián)系，使得“方面”這一層級(jí)的作用在跨域推薦中得以充分發(fā)揮。引入“方面”層級(jí)后，為解決用戶對(duì)商品在各“方面”上的情感偏好與對(duì)商品的整體偏好之間的關(guān)系問題，本文基于“一個(gè)用戶對(duì)某商品在

6、其更為關(guān)注的方面上的評(píng)價(jià)將更大地影響該用戶對(duì)該商品的整體評(píng)價(jià)”這一思想，在每個(gè)域中建模“評(píng)價(jià)值張量”和“關(guān)注度張量”。
　　2.針對(duì)細(xì)粒度知識(shí)的跨域遷移問題，本文首次提出了一種基于評(píng)論的聯(lián)合張量分解模型(Review Based Joint Tensor Factorization，RB-JTF)，并將其應(yīng)用于跨域推薦框架中。RB-JTF模型通過將輔助域張量和目標(biāo)域張量進(jìn)行聯(lián)合地分解來實(shí)現(xiàn)知識(shí)遷移。怎樣通過聯(lián)合地分解兩個(gè)不同域的張

7、量來跨域遷移知識(shí)這個(gè)問題在目前來說仍然沒有被很好地解決，是一個(gè)重要挑戰(zhàn)。在RB-JTF中，首先兩個(gè)張量均被分解為三個(gè)因子矩陣，分別為用戶，商品和“方面”的潛在特征矩陣。然后，RB-JTF的知識(shí)遷移策略包括兩個(gè)部分:第一，使用戶的潛在特征在輔助域和目標(biāo)域中實(shí)現(xiàn)共享;第二，捕捉兩個(gè)域中“方面”的聯(lián)系并將其融入知識(shí)遷移模型，首先度量?jī)蓚€(gè)“方面”的語(yǔ)義相似度，然后根據(jù)語(yǔ)義相似度對(duì)“方面”的潛在特征的距離給予不同程度的約束，實(shí)現(xiàn)“方面”潛在特征的

8、遷移。本文給出了RB-JTF模型的目標(biāo)函數(shù)，并且使用非線性共軛梯度法對(duì)因子矩陣進(jìn)行學(xué)習(xí)，并分析了算法的時(shí)間復(fù)雜性。不同于以往的跨域推薦模型，RB-JTF預(yù)測(cè)的是“方面”這個(gè)層級(jí)的偏好，為了將預(yù)測(cè)的用戶對(duì)商品各方面的評(píng)價(jià)轉(zhuǎn)化為對(duì)這件商品整體的評(píng)價(jià)，本文分別在評(píng)價(jià)值張量和關(guān)注度張量上進(jìn)行知識(shí)的跨域遷移。另外，針對(duì)張量的稀疏問題，本文提出了緩解策略，通過預(yù)估張量中的部分元素以及其可靠度，進(jìn)一步提高聯(lián)合張量分解模型的準(zhǔn)確度。
　　3.本文