Macchina per la fattorizzazione attenzionale con revisione

Rapporti scientifici volume 13, numero articolo: 13454 (2023) Citare questo articolo

278 accessi

1 Altmetrico

Dettagli sulle metriche

Nei sistemi di raccomandazione, le recensioni degli utenti sugli articoli contengono ricche informazioni semantiche, che possono esprimere le preferenze degli utenti e le caratteristiche degli articoli. Tuttavia, i metodi di raccomandazione esistenti basati sulle revisioni utilizzano il modello vettoriale di parole statiche o non sono in grado di estrarre in modo efficace le caratteristiche di sequenze lunghe nelle revisioni, con conseguente capacità limitata di espressione delle caratteristiche dell'utente. Inoltre, viene ignorato l'impatto di interazioni di funzionalità diverse o inutili tra utenti ed elementi sulle prestazioni dei consigli. Pertanto, proponiamo una macchina di fattorizzazione dell'attenzione con interazione utente-elemento basata sulla revisione per raccomandazione (AFMRUI), che sfrutta innanzitutto RoBERTa per ottenere la funzionalità di incorporamento di ciascuna recensione utente/elemento e combina unità ricorrenti bidirezionali con gate con rete di attenzione per evidenziare più informazioni utili sia nelle recensioni degli utenti che degli articoli. Quindi adottiamo l'AFM per apprendere le interazioni tra funzionalità utente e elemento per distinguere l'importanza delle diverse interazioni tra funzionalità utente e elemento e inoltre per ottenere una previsione di valutazione più accurata, in modo da promuovere la raccomandazione. Infine, abbiamo condotto una valutazione delle prestazioni su cinque set di dati del mondo reale. I risultati sperimentali su cinque set di dati hanno dimostrato che l'AFMRUI proposto ha sovraperformato i metodi all'avanguardia basati sulla revisione per quanto riguarda due parametri di valutazione comunemente utilizzati.

Con il rapido sviluppo dell’industria di Internet e della tecnologia dei big data, i sistemi di raccomandazione stanno svolgendo un ruolo sempre più importante nei social network1, nell’istruzione accademica2, nell’e-commerce3 e così via. Al giorno d'oggi, i sistemi di raccomandazione sono diventati una parte indispensabile della vita quotidiana, come lo shopping online4, la raccomandazione del prossimo punto di interesse5, la raccomandazione musicale6 e il video push7. In base ai dati comportamentali storici degli utenti, i sistemi di raccomandazione possono prevedere le valutazioni degli articoli da parte degli utenti ed eseguire consigli personalizzati, in modo da aiutare gli utenti a scoprire rapidamente gli articoli a cui sono interessati e migliorare la soddisfazione degli utenti. Pertanto, al fine di fornire servizi di raccomandazione personalizzati migliori, come prevedere con precisione le valutazioni degli utenti sugli articoli per aumentare la raccomandazione diventa un problema impegnativo.

Per risolvere il problema di cui sopra, i ricercatori hanno proposto una varietà di metodi di previsione della valutazione degli elementi, tra cui il metodo di previsione della valutazione8 basato sul filtraggio collaborativo (CF) è uno dei metodi più utilizzati. La maggior parte dei metodi CF si basano sulla fattorizzazione della matrice9,10, apprendendo le caratteristiche latenti degli utenti e gli elementi dai modelli a matrice per la raccomandazione. Considerando che le valutazioni degli utenti per gli elementi riflettono i loro comportamenti di interazione e le caratteristiche esplicite, Zhang et al.11 hanno ottenuto le caratteristiche degli utenti e degli elementi dalle informazioni sulla valutazione utente-elemento basate sulla fattorizzazione della matrice profonda. Tuttavia, con la rapida crescita del numero di utenti e di articoli, si presentano sempre più problemi, come la scarsità dei dati di valutazione. Sfortunatamente, le informazioni estratte dai dati di rating sono limitate, limitando di conseguenza la prestazione della raccomandazione.

Rispetto ai dati di valutazione, le informazioni sulle recensioni contengono una ricca semantica, che può non solo riflettere la soddisfazione degli utenti per la qualità e la funzione dell'articolo, ma anche esprimere indirettamente le preferenze degli utenti e le caratteristiche dell'articolo12. Pertanto, la previsione della valutazione degli elementi basata sulla revisione ha attirato molta attenzione da parte di ricercatori, come ConvMF13, DeepCoNN14, D-Attn15, NARRE16 e DAML17, ecc. Questi metodi possono alleviare il problema della scarsità causato dai dati di valutazione attraverso le informazioni di revisione e quindi ottenere valutazioni di previsione relativamente accurate per la raccomandazione. Tuttavia, ci sono due limitazioni principali come segue:

La capacità di espressione delle caratteristiche dell'utente/articolo è insufficiente. Nella ricerca di cui sopra, D-Attn15, DAML17, ecc., sfruttano vettori di parole codificati staticamente come word2vec o Glove, risultando in una rappresentazione sparsa di caratteristiche, semantica insufficiente e polisemia, che influenzano la capacità del modello di estrarre caratteristiche dell'utente e dell'oggetto. Inoltre, modelli come ConvMF13, DeepCoNN14 e NARRE16 utilizzano reti neurali convoluzionali (CNN) per estrarre le caratteristiche degli utenti e degli elementi dalle recensioni, che non possono estrarre in modo efficace le caratteristiche del testo in sequenze lunghe nelle recensioni e quindi non possono esprimere accuratamente le caratteristiche dell'utente o dell'elemento, limitando la prestazioni del modello.