没有合适的资源?快使用搜索试试~ 我知道了~
CEUR诉讼http://ceur-ws.org用户生成的项目评论真的有利于推荐吗?Tzu-HuaKao1,<$,LeaDahm1,<$ andTobias Eichinger1,*1Technische Universität Berlin,Straße des 17.德国,柏林,10623摘要用户生成的项目评论被广泛认为是推荐的有价值的信息来源然而,Sachdeva和McAuley最近对基于审查的算法进行的实证分析对这一信念提出了质疑。在本文中,我们分析了推荐系统的文献,旨在提高推荐使用项目评论作为辅助信息。我们确定了在项目评论中浓缩的信息的表示方式然后,我们指出特定的目标,如性能改进,和问题,如冷启动和稀疏,已通过使用项目审查。我们得出了与Sachdeva和McAuley相同的结论,即项目评论可能是有益的,但本身并没有好处 该领域充斥着利用项目评论的方法,但缺乏关于某些方法何时以及为什么有益的研究。因此,目前的最新技术水平并没有对使用项目评论是否实际上有利于推荐的问题给出明确的答案。关键词推荐系统,项目评论,自然语言处理,深度学习1. 介绍传统上,推荐系统利用用户评级和项目属性来向用户推荐适合他们偏好的项目。迄今为止,大量的文献将用户生成的项目评论(以下简称:项目评论)确定为允许改进推荐的丰富信息源。最早的集成项目审查的系统出现在2005年至2010年[1,2,3]。机器学习的快速发展,特别是深度学习,将强大的自然语言处理技术交给了推荐系统研究人员,以利用项目评论。尽管利用项目评审进行推荐通常会导致更准确的推荐 , 因 此 项 目 评 审 对 推 荐 是 有 益 的 Sachdeva 和McAuley [4]的发现对这一观点提出了质疑。他们发现,利用项目审查的最先进的系统往往不能优于简单的基线系统。值得注意的是,使用和不使用项目审查之间的差异往往是微不足道的。他们来到第四版知识感知和会话推荐系 统 ( KaRS ) 研 讨 会@ RecSys2022,2023年9月18日至*通讯作者。[2]这些作者的贡献是均等的。高子华(Tzu-hua.Kao)@ campus.tu-berlin.de(T. Kao); lea. campus.tu-berlin.de(L. Dahm);tobias. tu-berlin.de(T. 艾兴格)https://www.snet.tu-berlin.de/menue/team/tobias_eichinger/(T. 艾兴格)0000-0002-8351-2823(T. 艾兴格)©2022本文版权归作者所有。在知识共享许可署名4.0国际(CC BY 4.0)下允许使用讲习班ISSN1613-0073CEUR研讨会论文集(CEUR-WS.org)结论是,项目是否以及如何进行效益评价并不明确。受这一结论的启发,我们着手解决以下研究问题:1. 项目审查是否有利于推荐?2. 在什么情况下项目审查是有益的?3. 项目审查如何有益?在文献综述的基础上,我们得出以下结论:重要的是要了解项目评论中浓缩的信息(如果有的话)对推荐有益,以及如何利用这些我们现在提出我们的文献回顾2. 分析我们提出了我们的文献综述的基本方法。然后,我们将讨论如何在项目评论中浓缩信息。最后,我们指出了通过利用项目评审所解决的目标和问题。2.1. 方法我们首先基于最近的三篇利用项目评论进行推荐的论文进行了文献检索:[4,5,6]。根据标题和摘要,我们收集了50篇论文的样本进行进一步审查。经过两轮相关性过滤,我们发现只有36篇论文相关。 我们首先按出版年份对论文进行了分类。然后,我们按照项目评论的使用方式给每篇论文贴上标签。最后,我们为目标应用标签以及作者通过利用项目评论中浓缩的信息来解决的问题我们的文献综述的概述可以在附录中找到。我们授予温和的读者这三个调查文件[7,8,9]的进一步细节,利用项目审查的建议。我们的文献综述与这些先前的调查不同,因为我们挑战了流行的观点,即项目评论对推荐本身是有益的。2.2. 审查陈述项目评论被广泛认为是一个丰富的信息来源的建议。然而,文献中已经提出了许多不同的方法来利用项目评论中浓缩的信息 我们适应广泛使用的方法来提取和表示陈等人在项目reivews中浓缩的信息。[7]从2015年开始描述当前的最新技术水平:• Frequent Terms:根据频率由统计模型提取的单词。• 关键词:关键词是表示项目语义信息的• 辅助属性:Meta信息,如项目评审的长度和时间戳• 项目方面:细粒度的主题,如餐厅的位置和食物质量在项目评论中讨论。• 方面情绪:项目方面和用户情绪的组合,表示未明确表达的用户偏好。• 上下文观点:随着项目使用的上下文而变化的观点,例如在工作或约会期间去餐馆吃饭• 基于术语的用户/项目配置文件:基于项目审阅中使用的术语的配置文件,这些术语表示单个用户或项目。• 审查嵌入:上述手工制作的方法依赖于人为干预。最先进的深度学习方法,如深度编码器和基于transformer的编码器,允许在没有人为干预的情况下将项目评论嵌入和表示为向量。这个列表并不详尽,但突出了最流行的表示项目评论的方法我们现在倾向于通过提取和表示项目评论中浓缩的信息来追求的目标。2.3. 目标大多数相关论文(36篇论文中的25篇)旨在利用项目评审来提高推荐绩效。除了主要目标,性能改进,一些作者已经解决了小目标。我们编制了以下目标列表,这些目标是通过利用项目评审进行推荐而实现的:• 性能改进:相对于通常的性能指标,改进推荐性能。• 推荐解释:向用户解释为什么以及如何生成推荐。也被称为• 评论排名:排名项目评论,例如过滤项目评论的有用性.• 新颖系统:创建新颖的推荐系统,这些系统不适合协作过滤、基于内容的过滤和基于知识的系统或其混合• 上下文推断:根据用户的项目评论推断用户的上下文• 去偏见:减少或理想地消除偏见,如性别或流行偏见。这个列表并不详尽,但突出了利用项目评论进行展示所追求的最受欢迎的目标。我们现在倾向于通过利用项目审查中浓缩的信息来解决问题2.4. 问题许多推荐系统实现了单一项目评论,以缓解传统的冷启动和稀疏性问题。除了这些广泛讨论的问题,各种其他利基问题已在文献中我们汇编了以下在利用项目审查进行推荐的背景下所解决的问题的列表:• 冷启动:推荐系统可能难以推荐新项目和/或推荐新用户感兴趣的项目• 稀疏性(Sparsity):推荐系统不知道大部分用户与项目之间的交互,如评分或点击。• 虚假相关性:项目之间的某些相关性仅在项目评论中明显,而在评分中不明显。• 评审模糊性:项目评审的问题取决于例如评审者这个列表并不详尽,但突出了最流行的问题,已解决利用项目审查的建议。 我们现在讨论在引言中提出的研究问题。3. 讨论我们首先讨论使用项目评论进行推荐的一般好处。然后,我们专注于流行的使用项目审查的性能改进。 我们结束与我们得出的结论是目前国家的最先进的主要限制,并指出未来的方向。3.1. 使用项目审查的一般好处我们认为,项目评论是否有利于推荐,只能通过证明以下三个主张来决定首先,项目评论实际上包含对推荐有用的信息。第二,可以确定项目审查的有用性第三,可以提取有用的信息。有趣的是,人们普遍认为项目评论包含有用的信息。然而,基于项目审查的功能并不总是提供有用的信息[6]。第二个和第三个主张通常通过评估目标(见第2.3节)或问题(见第2.4节)的有效性来证明,这些目标或问题是通过使用项目评审来解决由于第一种说法从未成立,我们不能得出结论,项目审查实际上是有益的建议。我们只能得出这样的结论,项目评论可以有利于推荐,正如Sachdeva和McAuley [4]的经验所支持的那样因此,我们无法明确回答研究问题2和3。因此,我们有一个更密切的关注流行的目标,性能改进使用项目审查。3.2. 使用项目评审改进绩效如果推荐系统的结果由于使用项目评论而更适合手头的任务,则可以通过更高的准确性来实现改进的推荐性能,这意味着更低的错误率和更好的总体评估结果。 项目审查可以有利地利用这一目标。性能的另一个衡量标准是系统的鲁棒性 这涉及到推荐系统面临的典型问题是否有改进的问题(见2.4节)。如上所述,这是另一个经常使用项目审查的领域。推荐系统通过利用项目评论实现更高的准确性和鲁棒性 一般来说,研究人员利用项目评论,以改善现有的推荐模型的结果。仅基于项目评论的推荐系统是罕见的,并且我们发现的那些推荐系统通常意味着嵌入到更大的推荐系统中。3.3. 局限性与未来方向我们发现,将项目评论表示为项目方面和方面情感的组合(见2.2节)最近受到了特别的关注 该领域正朝着利用项目评论的更复杂的方法发展。这些更高明的方法往往被简单地认为优于传统方法。 关于项目评审方法的优缺点的研究很少.目前还不清楚是否采用了不太流行的方法,并与不太流行的方法进行比较,因为它们不太有效,或者是否只是认为它们不太有效。这不是第一次,技术上复杂的方法在没有适当证明情况下被认为优于传统方法[10]。我们认为,这是有帮助的研究项目审查表征独立的目标和问题。4. 结论我们解决的问题,如果,以及在何种情况下,推荐受益于使用用户生成的项目评论。为了实现这一目标,我们识别并分析了2010年至2022年期间发表的36篇利用项目评论进行推荐的论文。 我们在文献中没有发现明确的迹象表明,在何种情况下项目审查可以被认为是对推荐有利的。文献清楚地表明,利用项目审查可以有利于推荐。然而,文献未能显示当使用项目评论时,推荐的好处以及为什么。人们普遍认为,使用项目评论进行推荐本身是有益的,这阻碍了人们更深入地理解这种观点是否成立。使用项目审查的好处因此,我们认为,该领域需要首先建立一个基本的理解,为什么以及如何项目审查可以受益的建议,而不是显示,它可能可以。致谢作者要感谢Alana Diebitsch和Jan Tovar帮助收集和审查构成我们文献综述基础的论文引用[1] S. Aciar , D.Zhang , S.Simoff , J.Debenham ,Informedrecommender:Basingrecommendationsonconsumerproductreviews,IEEE Intelligent Systems 22(2007)39doi:10.1109/MIS.2007.55。[2] A. Yates,J. Joseph,A. M. Popescu,A. D. 科恩,N. Sillick,Shopsmart:通过技术规范和用户评论的产品建议,在:第17届ACM信息和知识管理会议上,ACM,2008年,第17页。 1501- 1502年。doi:10.1145/1458082.1458355。[3] N. Jakob,S.H. 韦伯,M。C. 穆勒岛,智-地Gurevych,Be-yondthe stars:利用自由文本用户评论来提高电影推荐的准确性。第一届国际CIKM 专 题 研 讨 会 - 大 众 舆 论 的 情 绪 分 析 ,ACM , 2009 年 , 页 。 57--64.doi :10.1145/1651461.1651473。[4] N. Sachdeva,J.McAuley,评论对推荐有多有用?一个关键的审查和潜在的改进,在:程序。第43届国际 ACM SIGIR会议信息检索的研究与发展,ACM,2020年,pp。1845-1848年。doi:10.1145/3397271.3401281。[5] G.佩尼亚角伯特对书、电影和音乐了解多少?探索伯特的concentional建议,在:Proc.第14届ACM Conf.推荐系统,ACM,2020年,pp。388-397. doi:10.1145/3383313.3412249。[6] T. Eichinger,评论是黄金!?关于项目评论和项目首选项之间的链接,见:联合研讨会程序。第三版知识感知和会话推荐系统(KaRS)和第五版复杂环境中的推荐(ComplexRec),CEUR-WS , 2021 。 网 址 : http://ceur-ws.org/Vol-2960/paper2.pdf。[7] L. Chen , G.Chen , F.Wang , Recommendersystems based on user reviews : the state oftheart , UserModelingandUser-AdaptedInteraction25(2015)99doi:10.1007/s11257-015-9155-5。[8] S. M. Al-Ghuribi,S. A. Mohd Noah,Multi-criteria review-based recommender system-thestateoftheart,IEEEAccess7(2019)169446-169468. doi:10.1109/ACCESS.2019.2954861.[9] M.埃尔南努鲁比奥岛 Cantador,A. Bellogín,基于从用户评论中提取的项目方面意见的推荐系统的比较分析,用户建模和用户自适应交互29(2019)381-441。doi:10. 1007/s11257-018-9214-9。[10] M. Ferrari Dacrema , P. Cremonesi , D. 贾 纳赫,我们真的取得了很大的进展吗?最近神经推荐方法的令人担忧的分析,在:Proc. of the13th ACM Conf. on Recommender Systems ,ACM,2019,pp.101-109doi:10.1145/3298689.3347058。[11] M. Terzi,M.- A. Ferrario,J. Whittle,Free textinuser reviews : Their role in recommendersystems , in : Workshop on RecommenderSystems and the Social Web,2011,pp.45比48[12] R. Zhang,T. Tran,一种基于信息增益的AP推荐有用的产品评论的方法,知识和信息系统26(2011)419-434.doi:10.1007/s10115-010-0287-y。[13] G. Ling,M. R.柳岛,智-地King,Ratings meetreviews,acombinedapproachtorecommend,in:Proc. of the 8th ACM Conf. onRecommender systems,ACM,2014,pp. 105-112. doi:10.1145/2645710。二六四五七二八。[14] G. 陈 湖 , 澳 - 地 Chen , Augmenting servicerecommendersystemsbyincorporatingcontextual opinions from user reviews , UserModelingandUser-AdaptedInteraction25(2015)295[15] Y. Zhang,在个性化推荐中对文本评论进行短语级情感分析,在:Proc. of the 8th ACM Int.Conf. on Web Search and Data Mining,ACM,2015,pp.435-440.doi:10.1145/2684822.2697033。[16] L. Zheng,V.诺鲁齐山口S. Yu,使用评论对用户和项目进行联合深度建模,收录于:第10届ACM Int. Conf. on Web Search and DataMining , ACM , 2017 , pp.425-434 doi :10.1145/3018661.3018665。[17] S.徐,黄,H。Yang,Y. Liu,可解释的卷积神经网络,具有双重本地和全局注意力,用于评论评级预测,在:第11届ACM推荐系统会议上,ACM , 2017 年 , pp.297-305.doi :10.1145/3109859.3109890。[18] D. Paul,S.萨尔卡,M。切利亚角Kalyan,P.P.Sinai Nadkarni,电子商务中高质量代表性评论的 推荐 , 在: Proc. of the 11th ACM Conf. onRecommender Systems,ACM,2017,pp. 311-315. doi:10.1145/3109859。3109901。[19] C. Musto , M. de Gemmis , G. Semeraro , P.Lops,一个利用用户评论的基于方面的情感分析的第11届ACM Conf.推荐系统,ACM,2017年,pp.321-325.doi:10.1145/3109859.3109905。[20] F. Lahlou,H.本布拉欣岛Kassou,文本上下文感知因式分解机器:通过利用用户评论来改善推荐,在:第二届智能数字环境国际会议论文集,ACM,2018年,第100页。64-69. doi:10.1145/3289100.3289111。[21] Y.卢河,巴西-地东湾,澳-地Smyth,为什么我喜欢它:推荐和验证的多任务学习,在:第12届ACM会议上,ACM,2018年,第12页。四比十二doi:10. 1145/3240323.3240365。[22] D. 玄角帕克,M.-C. 扬岛,智-地宋,J. -T. 李,H. Yu , Review Sentiment-guided Scalable DeepRecommender System,in:The 41st Int. ACMSIGIR Conf. 关于信息研究发展检索,ACM,2018年,pp.965-968 doi:10.1145/3209978.3210111。[23] P. Bhagat,J. D. Pawar,推荐系统的用户评论特征提取方法的比较研究,在:Proc.ACM印度联合国际数据科学和数据管理会议,ACM,2018年,pp.325-328.doi:10.1145/3152494.3167982。[24] H.夏,Z.王湾,澳-地杜湖,澳-地Zhang,S.Chen,G. Chun,利用评级和评论与门控机制进行推荐,在:第28届ACM Int.信息和知识管理会议,ACM,2019年,第10页。1573-1582. doi:10. 1145/3357384.3357919。[25] G. Alexandis,T.塔加里斯湾Siolas,A. Stafy-lopatis,从自由文本用户评论到使用段落向量和ma-factorization的产品推荐,在:2019年万维网会议的配套程序,ACM,2019年,第页335-343 doi:10.1145/3308560.3316601。[26] J. Ni,J.Li,J.McAuley,使用远距离标记的评论和细粒度的方面来证明建议,在:2019年自然语言处理经验方法会议和第9届国际会议上。联合会议关于自然语言处理(EMNLP-IJCNLP),ACL,2019年,pp.188-197. doi:10.18653/v1/D19-1018。[27] G. Wu , K. Luo , S. Sanner , H. Soh , Deeplanguage-basedcritiquingforrecommendersystems,in:Proc.of the 13th ACM Conf.推荐系统 , ACM , 2019 年 , pp 。 137-145. doi :10.1145/3298689。3347009。[28] D. Rafailsouth,F. Crestani,基于审查的建议的对抗性培训,在:第42届国际会议的程序。ACM SIGIR会议关于信息检索的研究和发展,ACM , 2019 年 , pp.1057-1060.doi :10.1145/3331184.3331313。[29] A. Salah,Q.-T. Truong,H.W. Lauw,Cornac:多模式推荐系统的比较框架,JMLR 21(2020)1-5 。 网 址 : http://jmlr.org/papers/v21/19-805.html。[30] F. J. 佩尼亚湾 Z. Tragos,N.Hur- ley,E.杜里亚科瓦湾Smyth,A. Lawlor,通过初始化潜在因素模型与top-n推荐的主题模型来组合评级和评论数据,在:第14届ACM推荐系统会议论文集,ACM,2020年,第14页。438-443 doi:10.1145/3383313.3412207。[31] J. P. Zhou , Z.Cheng , F.Perez , M.TafaJovovs:用于上下文感知推荐的双头注意力融合自动编码器,在:第14届ACM推荐系统会议上,ACM,2020年,第14页。338-347. doi:10.1145/3383313。3412268。[32] K. Luo,H.Yang,G.Wu,S.桑纳,深度批判对于基于VAE的推荐系统,在:Proc.第43届ACM SIGIR信息检索研究与开发会议,ACM,2020年,pp.1269-1278.doi:10.1145/3397271.3401091。[33] H. Liu,W. Wang,H.徐,智-地Peng,P. Jiao,交叉引用的神经统一综述建议,在:第43届ACM SIGIR国际会议论文集信息检索研究与开发,ACM,2020年,pp.1789-1792年。doi:10.1145/3397271.3401249。[34] D. 安托格尼尼角穆萨特湾Faltings,通过批评与解释互动,在:第30届国际联合会议的程序。人工 智 能 , 2021 年 , pp 。 515-521. doi :10.24963/ijcai.2021/72。[35] T. K. Aslanyan,F. Frasincar,在推荐系统的潜在因素模型中利用文本审查,在:Proc.第36届年度 ACM应用计算研讨 会, ACM , 2021 , pp 。1931-1940年。[36] I. Kostric,K.巴洛格湾Radlinski,通过使用相关问题在会话推荐系统中征求用户的意见,在:Proc. 第15 届 ACM 推 荐 系 统 会 议 , ACM , 2021 ,pp.724-729. doi:10.1145/3460231.3478861。[37] C. Lin , X. Liu , G. Xv , H. Li , MitigatingSentiment Bias for Recommender Systems ,in:Proc. of the 44th Int.ACM SIGIR会议信息检索 的 研 究 与 发 展 , ACM , 2021 , pp.31-40.doi:10.1145/3404835.3462943。[38] X. 王 岛 , 澳 - 地 乌 尼 斯 角 Macdonald ,Leveragingreviewpropertiesforeffectiverecommendation , in : Proc.of theWebConf.2021年,ACM,2021年,pp.2209-2219doi:10.1145/3442381.3450038。[39] S. Pan,D. Li,H. Gu,T. Lu、X. Luo,N. Gu,Accu- rate and explainable recommendation viareview rationalization, in: Proc. of the ACMWeb Conf. 2022,ACM,2022,pp.3092-3101.doi:10.1145/3485447.3512029。[40] Y. Zhang,W.左,Z.施湾,澳-地K. Adhikari,Integratingreviews and ratings into graph neuralnetworks for rating prediction , Journal ofAmbientIntelligenceandHumanizedComputing(2022)。doi: 10.1007/s12652-021-03626-7。A. 附录我们提出了一个表格概述我们的分类的36篇论文,我们认为相关的方便温和的读者。表1按出版年份排序的文献综述中分析的相关论文列表完整的圆点表示在论文中已经讨论了三个类别中的任何一个:括号中的数字表示项目出现的总次数复习表述目标问题论文年份Terzi等人[11] 2010年Zhang和Tran [12] 2011Ling等人[13] 2014Chen等人[7] 2015[14]第15话我的世界Zheng等人[16] 2017年[17] Kristan et al.[18] Kristan et al.[19个]Lahlou等人[20] 2018年,[21] Jiangsu et al.[22日][23]第二十三话Hernán-Rubio等人 [9]2019年[25] Al-Ghuribi andNoah [8] Ni,Jianmo,et al.[26] Wu,Ga,etal.[27日][28]第二十八话Salah等人[29] 2020年[5]第五届全国人大常委会第十五次会议审议通过了《中华人民共和国宪法》Peña等人[30]Zhou et al. [31]Luo et al. [32]Liu et al. [33个]Antognini等人[34] 2021艾兴格尔[6]Aslanyan和Frasincar[35]Kostric等人。[三十六]Lin et al. [37]Wang et al.[38个]Pan等人[39] 2022年Zhang等人[第四十届]常见术语(4)关键词(2)辅助属性(3)项目方面(20)方面情绪(14)上下文观点(1)基于术语的用户/项目配置文件性能改进(25)建议说明(9)审查排名(4)小说系统(3)上下文推理(4)去偏置(3)冷启动(4)稀疏性(5)虚假相关(1)第1040章:不确定性(一)
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功