基于层次型文本交互的表示学习研究

传统的推荐系统面临着诸如数据稀疏性、无法解释的推荐等几个挑战.为了解决这些问题,许多研究通过挖掘评论文本语义信息来提高推荐性能.然而,这些方法在文本特征建模和文本交互方面存在问题.在文本建模方面,它们简单地将用户/物品的所有评论拼接成一个单一的评论.然而,单词/短语级别的语义信息可能与评论文本的整体语义信息相悖.在文本交互方面,它们将交互推迟到预测层,无法捕捉用户和物品之间复杂的相关性.为了解决这些问题,我们提出了一种新颖的基于层次型文本交互的表示学习方法.在该方法中,我们以层级方式对低级单词语义和高级评论文本进行建模,以便在不同粒度上挖掘文本信息.为了进一步捕捉复杂的用户-物品的交互关系,我们提出在不同层次上挖掘用户-物品之间的语义关联.在单词级别上,我们提出了一种针对每对用户-物品个性化的注意力机制,来捕捉表示每个评论的重要单词.在文本级别上,我们在用户和物品之间相互传播文本语义信息,并捕捉针对目标任务有用的评论文本.最后,我们通过协同过滤框架,将该方法应用于评分预测应用场景,并通过在公开数据集上的对比实验,证明该方法在评分预测方面的性能优于现有方法.