用户生成的商品评论真的有利于推荐吗？

CEUR程序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。我们确定的方式，在项目审查中浓缩的信息表示。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，但本身并不有益 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，当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产生明确的答案。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建议根据他们的偏好定制的项目。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。最早的集成项目评审的系统出现在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，利用项目评论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，使用和不使用项目评论之间的差异通常是微不足道的。他们来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]这些作者的贡献是相等的。高子华（Tzu-huacampus.tu-berlin.de.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）结论是根本不清楚项目是否以及如何审查效益建议。受这一结论的启发，我们着手解决以下研究问题：1. 项目评审是否有利于推荐？2. 在什么情况下项目审查是有益的？3. 项目审查有何益处？在文献综述的基础上，我们得出了以下结论：重要的是要了解项目评论中浓缩的哪种信息（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，我们指出目标和问题，已经通过利用项目审查处理。2.1. 方法我们首先基于三篇利用项目评论进行推荐的最新论文检索论文：[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标记每篇论文。最后，我们为目标应用了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，即项目评论本身对推荐有益。2.2. 查看表示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：• 频繁术语：由统计模型根据其频率提取的单词。• 关键词：关键词是表示项目语义信息的• 辅助属性：Meta信息，如项目评论的长度和时间戳• 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变换器的编码器，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，通过利用项目评审进行推荐：• 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推荐所追求的最受欢迎的目标。我们现在倾向于通过利用项目评审中浓缩的信息来解决问题2.4. 问题许多推荐系统实现利用项目评论来缓解传统的冷启动和稀疏性问题。除了这些广泛解决的问题，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评审进行推荐的上下文中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/或向新用户推荐感兴趣的项目的问题• 稀疏性：大部分用户-项目交互（如评分或点击）对于推荐系统是未知的问题。• 虚假相关性：项目之间的一些相关性仅在项目评论中明显而不是例如在评级中的问题。• 评审模糊性：项目评审的问题可能会有不同的含义，这取决于例如评审者此列表并不详尽，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. 使用项目审阅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）的有效性来显示，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。我们只能得出结论，项目审查可能有利于推荐，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，性能提高使用项目审查。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好地适合手头的任务，则将通过更高的准确度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。性能的另一个度量是系统的鲁棒性 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，这是通常使用项目评论的另一个领域。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。研究的优点或缺点的方法对项目审查的利用是罕见的。目前还不清楚是否采用了不太受欢迎的方法，并与不太受欢迎的方法进行比较，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，在推荐中，技术复杂的方法被简单地认为优于传统方法，而没有适当地表明情况是这样的[10]。我们认为，这是有帮助的研究项目审查表示独立的目标和问题。4. 结论我们解决的问题，如果，以及在何种情况下，建议受益于使用用户生成的项目评论。为了实现这一目标，我们确定并分析了36篇论文，利用项目评论推荐2010年至2022年之间发表。 我们在文献中没有发现明确的迹象，在这种情况下，项目审查可以被认为是一致有益的建议。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，推荐的好处以及原因.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] 美国Aciar，D.Zhang，S.Simoff，J.Debenham，Informedrecommender：Basingrecommendationsonconsumerproductreviews，IEEE Intelligent Systems 22（2007）39doi：10.1109/MIS.2007.55。[2] 上午Yates，J. Joseph，A.-先生Popescu，A.学位科恩国Sillick，Shopsmart：通过技术规范和用户评论的产品建议，在：Proc. of the 17th ACM Conf.信息和知识管理，ACM，2008年，pp. 1501- 1502年。doi：10.1145/1458082.1458355。[3] 国Jakob，S.小时Weber，M.梭米勒岛Gurevych，Be-yond the stars：利用自由文本用户评论来提高电影推荐的准确性，在：Proc. 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] 国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：Proc.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] 例如佩尼亚角Hauff，伯特对书，电影和音乐了解 多 少 ？ probing bert for conversationalrecommendation，in：Proc.第14届ACM Conf.推荐系统，ACM，2020，pp.388-397. doi：10.1145/3383313.3412249。[6] 没有Eichinger，评论是黄金！？在项目审阅和项目首选项之间的链接上，位于：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] 法律Chen、G.Chen、F.Wang，基于用户评论的推 荐 系 统 ： 用 户 建 模 和用 户 自 适 应 交互 25（2015 ）99-154。doi： 10.1007/s11257-015-9155-5。[8] 美国先生Al-Ghuribi，S.上午Mohd Noah，Multi-criteria review-based recommender system-thestateoftheart，IEEEAccess7（2019）169446-169468. doi：10。1109/ACCESS.2019.2954861。[9] 先 生 埃 尔 南 德 斯 - 卢 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] 先生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：第13届ACMConf.推荐系统， ACM ， 2019 年， pp. 101-109doi：10.1145/3298689.3347058。[11] 先生Terzi，M.上午Ferrario，J. Whittle，用户评论中的免费文本：他们在推荐系统中的作用，在：推荐系统和社交网络研讨会，2011年，第10页。45比48[12] 室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] 例如Ling，M.室吕岛国王，评级满足审查，一个综合的方法来建议，在：第八届ACM会议论文集关于推荐系统，ACM，2014，pp. 105-112.doi：10.1145/2645710。2645728[14] 例如 陈湖， 澳- 地Chen， Augmenting servicerecommendersystemsbyincorporatingcontextual opin-ions from user reviews ， UserModelingandUser-AdaptedInteraction25（2015）295[15] 纽约Zhang，将短语级情感分析并入文本评论以用于个性化推荐，在：第八届ACM Int. Conf.on Web Search and Data Mining ， ACM ，2015，pp.435-440.doi：10.1145/2684822.2697033。[16] 法律Zheng，V.诺鲁齐山口美国Yu，Joint deepmodeling of users and items using reviews forrecommendation ， in ： Proc. 第 十 届 ACM Int.Conf. on Web Search and Data Mining，ACM，2017，pp.425-434doi：10.1145/3018661.3018665。[17] 美国Seo，J. Huang，H. Yang，Y. Liu，可解释的卷积神经网络，具有双重本地和全局关注度，用于评论评级预测，在：第11届ACM Conf.推荐系 统 ， ACM ， 2017 年 ， pp. 297-305. doi ：10.1145/3109859.3109890。[18] 学位Paul，S.Sarkar，M.切利亚角卡利扬山口下午Sinai Nadkarni，电子商务中高质量代表性评论的推荐，在：第11届ACM Conf.推荐系统，ACM ， 2017 年 ， pp.311-315.doi ：10.1145/3109859。3109901[19] 梭 Musto ， M. de Gemmis ， G. Semeraro 山 口Lops ， A multi-criteria recommender systemexploiting aspect-based sentiment analysis ofusers' reviews，in：Proc. 第11届ACM Conf.推荐系 统 ， ACM ， 2017 年 ， pp. 321-325. doi ：10.1145/3109859.3109905。[20] 楼 Lahlou ， H. 本 布 拉 欣 岛 Kassou ， Textualcontext aware factorization machines：通过利用用户的评论改进推荐：第二届国际智能数字环境 会 议 ， ACM ， 2018 年 ， 第 64-69. doi ：10.1145/3289100.3289111。[21] 纽约卢河东湾，澳-地史密斯，为什么我喜欢：用于推荐和解释的多任务学习，在：第12届ACM Conf. 关 于 Rec- ommender Systems ，ACM ， 2018 年 ， 第 4-12doi ： 10 。1145/3240323.3240365。[22] 学位玄角公园，M.-梭杨岛宋，J。没有李小时Yu，Review sentiment-guided scalable deeprec-ommender system，在：第41届国际ACMSIGIR会议信息研究发展检索，ACM，2018年，pp.965-968 doi：10.1145/3209978.3210111。[23] P. Bhagat，J.学位Pawar，推荐系统的用户评论特征提取方法的比较研究，在：Proc. ACMIndia Joint Int. Conf. on Data Science andManagement of Data，ACM，2018，pp. 325-328. doi：10.1145/3152494.3167982。[24] 小时Xia、山核桃Z. Wang，B.杜湖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，ACM ， 2019 年 ， 页 。 1573-1582. doi： 10 。1145/3357384.3357919。[25] 例 如 Alexandridis ， T. Tagaris 、 G. Siolas ， A.Stafy- lopatis，From free-text user reviews toproductrecommendationusingparagraphvectors and matrix factorization，in：CompanionProc. 2019年万维网大会ACM，2019，pp.335-343 doi：10.1145/3308560.3316601。[26] 大通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推荐，在：2019年Conf.自然语言处理的经验方法和第九届国际联合会议自然语言处理（EMNLP-IJCNLP），ACL，2019年，pp.188-197 doi：10。18653/v1/D19-1018。[27] 例如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] 学位Rafailidis，F. Crestani，基于审查的建议的对抗性培训，在：第42届国际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] 上 午Salah ， Q.- 没 有Truong ， H. 水 渍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] 楼大通佩尼亚湾 运动Tragos，N.Hur- ley，E.杜里 亚 科 娃 湾 Smyth ， A. Lawlor ， Combin-ingrating and review data by initializing latentfactormodels with top-n recommendation ，in：第14届ACM Conf.推荐系统，ACM，2020，pp. 438-443 doi：10.1145/3383313.3412207。[31] J.P. Zhou，Z. Cheng，F. Perez，M. Volkovs，Tafa ： Two-headed attention fused autoencoderfor context-aware recommendations，in：第14届ACM Conf.推荐系统，ACM，2020，pp. 338-347. doi：10.1145/3383313。3412268[32] 克雷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届国际 ACM SIGIR 会 议 信 息 检索的研究与发展，ACM ， 2020 年 ， pp. 1269-1278. doi ：10.1145/3397271.3401091。[33] 小时Liu ，W. Wang， H. 徐， 智- 地Peng， P.Jiao，交叉关注神经统一评审建议，在：第43届国际ACM SIGIR 会议信息检索的研究与开发，ACM，2020年，第10页。1789-1792年。doi：10.1145/3397271.3401249。[34] 学位安托尼尼角穆萨特湾Faltings，通过批评与解释互动，在：第30届国际联合会议论文集人工智能 ， 2021 年 ， pp 。 515-521.doi ：10.24963/ijcai.2021/72。[35] 没有克雷Aslanyan，F. Frasincar，在推荐系统的潜在因素模型中利用文本评论，在：Proc.第36届ACM应用计算研讨会，ACM ，2021 年，pp.1931-1940年。[36] 一. Kostric，K.Balog，F.Radlinski，通过使用相关问题在会话推荐系统中征求用户偏好，在：Proc. 第15 届 ACM 推 荐 系 统 会 议 ， ACM ， 2021 年 ，pp.724-729. doi：10.1145/3460231.3478861。[37] 梭Lin，黄毛菊X. Liu，G. Xv，H. Li，MitigatingSentiment Bias for Recommender Systems ，in：第44届国际ACM SIGIR会议信息检索的研究与 发展 ， ACM ， 2021年 ，页 。 31-40. doi：10.1145/3404835.3462943。[38] 十. 王岛乌尼斯角Macdonald，Leveraging reviewproperties for effective recommendation，in：网络会议记录2021，ACM，2021，pp.2209-2219doi：10.1145/3442381.3450038。[39] 美国Pan、黑腹拟步行虫D. Li，H. Gu，T. Lu，X.Luo，N. Gu，通过审查合理化提出的准确和可解 释 的建 议 ， 见 ： ACM Web Conf. 2022 ，ACM ， 2022 ， pp.3092-3101.doi ：10.1145/3485447.3512029。[40] 纽约Zhang，W.Zuo，Z.Shi，B.克雷Adhikari，Integratingreviews and ratings into graph neuralnetworks for rating prediction ， Journal ofAmbientIntelligenceandHumanizedComputing（2022）。doi： 10.1007/s12652-021-03626-7。上午附录我们提出了一个表格概述我们的分类的36篇论文，我们发现相关的方便温和的读者。表1按发表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解决了三个类别中的任何一个项目括号中的数字表示项目出现的总次数查看表示法目标问题论文年份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等人的美国专利公布[16] 2017年Seo等人[17]Paul等人[18]Musto et al. [19]Lahlou等人[20] 2018年Lu等人[21] Hyun等人[22][23]第二十三话Hernández-Rubio等人2019年10月19 日Xia等人[24]Alexandridis等人[25][26][27][28][29][[26]Wu，Ga，et al. [27][28]第二十八话Salah等人[29] 2020年[5]第五章：我和你的关系Peña等人[30]Zhou et al. [31]Luo et al.[32]Liu et al. [33]Antognini等人[34] 2021艾兴格尔[6]Aslanyan和Frasincar[35]Kostric等人。[36]Lin等人[37]Wang等人[38]Pan等人[39] 2022年张某等人[40]常见术语（4）关键词（2）辅助属性（3）项目方面（20）方面情感（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）评论歧义（1）