写在前面

这仅仅是为了方便自己整理思路,并不保证完全正确。

作者

Piji Li, Zihao Wang, Zhaochun Ren, Lidong Bing, Wai Lam

论文链接

https://arxiv.org/abs/1708.00154

研究动机

用户在完成购物之后写的tips和给的数值上评分,可以表达用户的体验和感受,对这两方面进行联合建模可以帮助更好地设计推荐系统。

reviews:篇幅一般较长
tips:篇幅较简洁的,且没有一个明确的主题,多为表达用户直观感受

当前研究不足

当前模型考虑综合文本信息建模,比如整体的商品信息或者用户信息,以及篇幅很长的reviews等等,没有考虑tips来增加推荐效果。

作者解决办法

提出基于深度学习的NRT框架,能够同时

  • 预测评分
    • 准确
  • 生成tips
    • linguistic quality good(没语法错误)

NRT框架如下图所示

image-20180509141343473

  • 预测评分

    • 使用基于回归模型的多层感知机网络
  • 生成tips

    • 使用GRU解码用户和商品的潜在表示成一个简明的句子
    • 在解码和生成最佳tips的过程中,使用beam search方法
  • 多任务学习(多任务联合训练)
    把预测评分子任务和摘要tips生成子任务联合,使用误差反向传播进行学习。

image-20180509142511242

Baseline

  • 预测评分
    • RMR:RatingsMeetReviews
    • CTR:CollaborativeTopicRegression
    • NMF:Non-negativeMatrixFactorization
    • PMF: Probabilistic Matrix Factorization
    • LRMF:LearningtoRankwithMatrixFactorization
    • SVD++
    • URP:UserRatingProfilemodeling
  • 生成tips
    • LexRank Pagerank for summarization
    • $CTR_t$ CTR for tips topic extraction
    • $RMR_t$ RMR for tips topic extraction

评价指标

  • 预测评分
    • Mean Absolute Error(MAE)
    • Root Mean Square Error(RMSE)
  • 生成tips
    • ROUGE-1 ROUGE-2 ROUGE-L ROUGE-SU4 的 P R F1

作者的主要贡献

  • 提出了能够准确地预测评分和生成良好tips的模型
  • 作者是第一个探索使用tips来增强推荐效果
  • 在benchmark上的实验效果比之前的State of art 好

自己的想法

  • 追评的影响

image-20180509145252835