个体及团体异构多方面评分行为建模

【目的】除了提供总体评分,多方面评分系统还可以提供更详细的方面评分,因此它可以帮助消费者更好地理解商品和服务。通过对多方面评分系统评分模式的建模,我们可以更好地发现潜在的评分组以及定量地理解这些评分组的评分行为。另外,这种建模也可以帮助服务提供者更好地改进他们的服务以吸引更多消费者。但是,由于多方面评分系统的复杂特性,对它的建模存在很多挑战。【方法】为了解决这些问题,本文提出了一种两步框架来从多方面评分系统中学习评分模式。详细地说,我们首先提出一种多分解关系学习方法(MFRL)来得到用户和商品的方面因素矩阵。在MFRL中,我们将矩阵分解,多任务学习和任务关系学习引入到同一个优化框架内。然后,我们将MFRL学习得来的用户和商品向量表征作为输入,通过高斯混合模型来构建组与组之间总体评分预测。【结果】我们在真实数据集上验证了提出的研究框架。大量实验结果表明我们提出的方法的有效性。【结论】用户异质性会潜在地影响用户的评分行为,因此在对个体及团体的评分行为进行建模时,要充分考虑到目标异质性带来的影响。

基于多方面评分的景点协同推荐算法

针对传统的协同过滤(collaborative filtering,CF)推荐模型中利用单一的总体评分进行相似性计算,但总体评分不能准确反映用户对物品喜好的问题,提出基于多方面评分的景点协同推荐算法。该算法综合利用用户对景点在景色、趣味性、性价比三个方面的评分计算用户或景点之间的相似性,进而计算目标用户对目标景点的总体评分。试验结果表明:在相似性计算中引入景点在这三个方面的评分信息后,推荐结果的均方根误差、平均绝对误差、覆盖率、准确率和F-度量指标都得到了改善。

利用多维评分进行在线评论的有用性预测

在线评论的有用性预测任务在当前的电子商务领域中发挥着重要的作用,该任务的目标是判断在线评论的有用性,进而重点展示对未来消费者更有帮助的评论,提高消费者获取信息的效率.在本文中,我们重点关注近年来在各大在线平台兴起的一种新的评分系统——多维评分系统,尝试研究用户在该系统中给出的方面评分对在线评论有用性的影响.本文提出了一个综合考虑了评论文本、用户总体评分和方面评分3种元素及其交互的多层次神经网络模型HORA来完成有用性预测任务.通过在两个真实世界的数据集上进行的实验结果表明,与当前的基线模型相比,HORA在MAE和RMSE两个指标上展示了更好的结果,同时在实验中也表现出了良好的鲁棒性,表明了方面评分对用户的在线评论有用性感知的重要意义.