基于評論挖掘的跨域推薦問題研究.pdf

1、近年來，蓬勃發(fā)展的在線商品評論網站給廣大用戶帶來了極大便利，同時用戶也留下了大量的偏好信息。在線商家通過這些偏好信息，了解用戶興趣，為其推薦商品，由此，推薦系統(tǒng)應運而生。推薦系統(tǒng)將用戶表現(xiàn)出的偏好信息進行合理的運算，預測出用戶可能喜歡的商品，供用戶參考。這已被廣泛應用于各大在線商品評論網站中，如Amazon，eBay, Taobao，JD.eom等，取得了極大成功。
　　然而，直到如今，新用戶的冷啟動問題仍然是推薦系統(tǒng)中的一個不可

2、忽視的重要挑戰(zhàn)。對此，跨領域推薦（以下簡稱“跨域推薦”）作為一種有效的解決思路，正在引起越來越多研究者的關注。跨域推薦旨在利用知識遷移的策略，將一個相對稠密域的用戶偏好遷移到相對稀疏的目標域中，用以輔助解決目標域的冷啟動問題。現(xiàn)今的跨域推薦工作絕大多數(shù)利用的是用戶對商品的評分，而實際上，評論文本之類的文本信息蘊含著更為豐富的用戶偏好，這是已有工作往往所忽視的。在評論中，用戶往往會表達出對商品在更細粒度上的喜惡，合理利用這些細粒度的情感偏

3、好，將大大有助于提高跨域推薦的準確度。例如，對于一部手機，一個用戶的評論可以向我們展現(xiàn)出他對“屏幕”的看法或者對“電池”的看法，這比僅利用評分精確得多。
　　基于此，本文研究如何有效利用評論中的細粒度用戶偏好進行跨域推薦。由于評論中的偏好信息是雜亂無章的，所以利用評論中的細粒度偏好進行跨域推薦相比僅利用評分等數(shù)據(jù)更為復雜。其中包含兩個挑戰(zhàn):第一，如何建模用戶在評論中的細粒度偏好來適應知識遷移的需要？第二，如何有效地進行基于評論的知

4、識遷移？本文對此進行了較為深入的研究，提出了一個比較完整的解決框架，包含了一系列比較復雜的問題。具體工作和貢獻概括如下:
　　1.針對跨域框架中細粒度偏好的建模問題，本文將“方面”這一層級引入框架中，并且分別用“評價值張量”和“關注度張量”去建模用戶偏好。從評論中提取用戶的細粒度情感偏好，本文使用“用戶-商品-方面”這種三元關系來組織。對于這種三元關系，本文使用三維張量（third-order tensor，以下簡稱“張量”）進行

5、建模。在張量中，每一個元素記錄某用戶對某商品在某“方面”上的情感程度。這種建模方式在跨域推薦中的優(yōu)勢在于:第一，可以將評論中雜亂無章的用戶偏好組織成便于運算的結構化數(shù)據(jù)，便于實現(xiàn)兩域數(shù)據(jù)的對接;第二，將“方面”作為一個獨立的維度，便于捕捉兩個不同域中“方面”的聯(lián)系，使得“方面”這一層級的作用在跨域推薦中得以充分發(fā)揮。引入“方面”層級后，為解決用戶對商品在各“方面”上的情感偏好與對商品的整體偏好之間的關系問題，本文基于“一個用戶對某商品在

6、其更為關注的方面上的評價將更大地影響該用戶對該商品的整體評價”這一思想，在每個域中建?！霸u價值張量”和“關注度張量”。
　　2.針對細粒度知識的跨域遷移問題，本文首次提出了一種基于評論的聯(lián)合張量分解模型(Review Based Joint Tensor Factorization，RB-JTF)，并將其應用于跨域推薦框架中。RB-JTF模型通過將輔助域張量和目標域張量進行聯(lián)合地分解來實現(xiàn)知識遷移。怎樣通過聯(lián)合地分解兩個不同域的張

7、量來跨域遷移知識這個問題在目前來說仍然沒有被很好地解決，是一個重要挑戰(zhàn)。在RB-JTF中，首先兩個張量均被分解為三個因子矩陣，分別為用戶，商品和“方面”的潛在特征矩陣。然后，RB-JTF的知識遷移策略包括兩個部分:第一，使用戶的潛在特征在輔助域和目標域中實現(xiàn)共享;第二，捕捉兩個域中“方面”的聯(lián)系并將其融入知識遷移模型，首先度量兩個“方面”的語義相似度，然后根據(jù)語義相似度對“方面”的潛在特征的距離給予不同程度的約束，實現(xiàn)“方面”潛在特征的

8、遷移。本文給出了RB-JTF模型的目標函數(shù)，并且使用非線性共軛梯度法對因子矩陣進行學習，并分析了算法的時間復雜性。不同于以往的跨域推薦模型，RB-JTF預測的是“方面”這個層級的偏好，為了將預測的用戶對商品各方面的評價轉化為對這件商品整體的評價，本文分別在評價值張量和關注度張量上進行知識的跨域遷移。另外，針對張量的稀疏問題，本文提出了緩解策略，通過預估張量中的部分元素以及其可靠度，進一步提高聯(lián)合張量分解模型的準確度。
　　3.本文