论文部分内容阅读
在电商网站购物的过程中,商品的评分对用户的购买决策起到了指导作用。特别是对于未曾接触过的商品,用户会更倾向于尝试购买评分高的商品。准确地预测出用户对未接触过的商品的评分,能够指导推荐系统将商品推荐给潜在的客户,节省用户的挑选时间,同时也增加了电商平台的收益。协同过滤是在电子商务推荐系统中应用广泛的方法,该算法仅依赖于用户-商品评分,存在数据稀疏、冷启动等缺点,评分预测的精度会受到严重影响。电商平台中用户参与度不断提高的同时产生了丰富多样的用户生成内容,例如评论文本、社交关系、隐式用户反馈等,这些内容都可以成为推荐系统可靠的数据来源,缓解评分矩阵的数据稀疏问题,提高评分预测的精度。本文综合利用评分数据、评论文本和社交关系来改善传统协同过滤算法存在的问题,如何处理不同的信息来源并进行融合是研究的重点和难点。评论文本方面,以往的研究常采用主题模型来进行文本处理,忽视了词与词、句与句之间的序列关系;社交关系方面,现有的研究大多使用显式社交关系进行推荐,然而显式社交关系存在不易得、冷启动和噪声大等局限性。针对以上问题,本文构建了一个融合注意力机制和社交关系的电商用户评分预测模型,主要由三个部分组成:(1)社交关系模块利用网络表示学习获取每个用户的邻居。通过用户-商品的评分信息建立协同用户网络,然后采用受约束的随机游走得到网络中的用户节点序列,结合Skip-gram模型获取节点的向量表示,计算向量间距离来表示用户间可靠的社交关系。(2)文本处理模块的基本结构是基于注意力机制的双向GRU网络,其中双向GRU网络可以从前后两个方向学习序列关系,注意力机制则捕捉不同单词之间的相对重要性。通过文本处理模块可以得到深层的用户特征和商品特征。(3)正则化概率矩阵分解模型。假设从评论中获取的用户特征和商品特征与概率矩阵分解模型中的用户潜在因子向量和商品潜在因子向量密切相关,则可以将用户特征和商品特征作为概率矩阵分解模型的先验均值,同时结合用户的社交关系来正则化概率矩阵分解模型,最后对用户进行评分预测。本文在Amazon 5-score版本的三个子数据集上进行实验,并与其它相关模型对比,得到以下结论:第一,相较于仅考虑评分数据的传统协同过滤模型,考虑用户的社交关系或评论文本可以改善评分数据稀疏的影响。第二,在同样使用评论文本的前提下,深度学习模型比传统模型表现更好。原因主要有:(1)传统模型大多选择主题模型对评论文本进行处理,将评论文本看作词袋模型,忽略了单词的上下文关系。随着自然语言处理技术的成熟,大量研究表明深度学习的文本编码器比传统的主题模型在文本处理方面表现更佳;(2)传统模型往往通过特定的公式来学习数据的线性特征,而深度学习技术是基于非线性的结构来学习用户和物品的特征。第三,同样是深度学习模型并综合使用评分和评论数据的NARRE和本文模型,要比只使用评论文本的DeepCoNN表现更好。此外,本模型同时从用户行为中提取了可靠的社交关系,使用双向GRU替换CNN模块,平均预测误差比NARRE提升了 2.4%。因此可以得出结论:基于深度学习,综合考虑多方面数据来进行建模是可行的。