Review Based Rating Prediction
Ben-Gurion University（本·古里安大学）
推荐系统是当今电子商务应用中的重要单元，如定向广告、个性化营销和信息检索等。近年来，上下文信息的重要性激发了根据用户的可用上下文信息生成个性化推荐。与传统的主要利用用户评分历史的推荐系统相比，基于评论的推荐系统有望为用户提供更相关的推荐结果。我们介绍了一种基于评论的推荐方法，通过挖掘用户评论来获得上下文信息。所提出的方法涉及通过使用在自然语言处理（NLP）和信息检索学科中开发的方法来分析文本评论以计算给定项目的效用函数而获得的特征。项目效用是一种衡量标准，它显示了根据用户当前上下文，它有多受欢迎。在我们的系统中，上下文推理建模为用户评论历史和项目评论历史之间的相似性。作为一个示例应用，我们使用我们的方法从客户的电影评论中挖掘上下文数据，并使用它来生成基于评论的评级预测。预测的评级可以生成基于项目的建议，并且应该出现在产品页面中的推荐项目列表中。我们的评估表明，与标准预测方法相比，我们的系统可以帮助产生更好的预测评分。
2016-07-28 cs.IR cs.LG
Explicit Feedbacks Meet with Implicit Feedbacks : A Combined Approach for Recommendation System
Indian Institute of Technology Patna（印度理工学院巴特那分校）
推荐系统通过分析用户对不同品牌商品的潜在兴趣，更准确地推荐商品。结合用户的评分相似性，用户的隐式反馈的存在，如点击项目，查看项目规格，观看视频等已被证明有助于学习用户的嵌入，这有助于更好地预测用户的评分。现有的推荐系统大多集中于对用户的评价和隐式反馈进行建模，而忽略了用户的显式反馈。显式反馈可以用于验证特定用户的可靠性，并且可以用于了解用户的特性。用户特征是指用户是什么类型的审稿人。在本文中，我们探讨了三种不同的模型，以更准确地侧重于用户的显式反馈和隐式反馈的推荐。第一种是RHC-PMF，它基于用户的三个显式反馈（评级，有用性得分和中心性）更准确地预测用户的评级;第二种是RV-PMF，其中考虑了用户的隐式反馈（视图关系）。最后一个是RHCV-PMF，其中考虑了两种类型的反馈。在该模型中，用户外显反馈的相似性反映了用户反馈的可靠性和特征的相似性，而用户内隐反馈的相似性反映了用户反馈偏好的相似性。在真实世界数据集上的大量实验表明，与基线模型相比，我们的模型在用户评级预测方面表现更好。Amazon.com与基线模型相比，RHCV-PMF模型对冷启动用户和冷启动项目的评分预测效果更好。
2018-10-29 cs.IR cs.LG stat.ML
Understanding the Impact of Culture in Assessing Helpfulness of Online Reviews
PAAET（科威特公共管理局教育与培训学院）
本文研究文化背景对在线评论有用性的影响，分析阿拉伯与西方文化在酒店和书籍评论中的差异，并开发六个推荐模型证明融入文化特征可提升有用性推荐效果。
2023-04-27 cs.CL cs.CY cs.IR
Automatic Generation of Natural Language Explanations
Aalborg Universitet（奥尔堡大学）；Insight Centre for Data Analytics（数据分析洞察中心）；University College Dublin（都柏林大学学院）
推荐系统的一个重要任务是根据用户的偏好生成解释。目前大多数用于可解释推荐的方法使用结构化句子来提供描述以及它们产生的推荐。然而，这些方法忽略了以评论为导向的文本写作方式，尽管我们知道这些评论对用户的决策有很大的影响。在本文中，我们提出了一种自动生成的自然语言的解释，预测用户将如何写一个项目，根据用户的评级，从不同的项目的功能。我们设计了一个字符级递归神经网络（RNN）模型，该模型使用长短期记忆（LSTM）生成项目的评论解释。该模型生成文本评论，给出评论和评级分数的组合，表达对项目的不同因素或方面的意见。我们的网络是在来自大型真实世界数据集BeerAdvocate的子样本上训练的。我们使用自然语言处理指标的实证评估显示，生成的文本的质量接近真实的用户书面评论，识别否定，拼写错误，和特定领域的词汇。
2017-07-04 cs.CL cs.LG
ReFORM: Review-aggregated Profile Generation via LLM with Multi-Factor Attention for Restaurant Recommendation
University of Southern California, USA（美国南加州大学）；Sejong University, South Korea（韩国世宗大学）
本文提出ReFORM框架，利用LLM和多因素注意力机制从评论中生成用户和物品资料，提升餐厅推荐的鲁棒性和性能。
2026-03-17 cs.IR cs.LG
Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI（Salesforce人工智能研究院）；Beihang University（北京航空航天大学）；Yale University（耶鲁大学）
针对严格冷启动推荐中商品内容利用粗粒度及忽略其他数据源的问题，提出ColdGPT框架，通过多任务学习从商品内容、购买序列和评论文本中提取细粒度属性并构建商品-属性图，实现高效的知识迁移与商品嵌入获取。
2023-06-26 cs.IR cs.LG
Offline Reasoning for Efficient Recommendation: LLM-Empowered Persona-Profiled Item Indexing
Yonsei University（延世大学）
Persona4Rec通过离线推理构建物品个性化表示，实现高效且可解释的推荐系统，减少推理时间并提供直观解释。
2026-02-25 cs.IR cs.LG
Assessing the Helpfulness of Review Content for Explaining Recommendations
尽管推荐系统的算法已经成熟，很少有人知道如何获得并为用户提供一个适当的理由的建议。当提供解释时，可以增加推荐系统的透明度和有效性。特别地，可以利用从评论中识别有用的论证内容来生成文本解释。在本文中，我们调查的原因，为什么审查可能被认为是有益的，并表明，可信度和说服力的看法调解之间的关系，有益性和客观性和相关方面的看法解决。我们的研究结果使我们提出了一个基于argumentbased的方法来自动提取有用的内容从酒店评论，一个域，不同于那些最适合经典的论证理论。
2020-10-13 cs.HC cs.IR
Utilizing Textual Reviews in Latent Factor Models for Recommender Systems
Erasmus University Rotterdam（伊拉斯姆斯大学鹿特丹分校）
大多数现有的推荐系统仅基于评级数据，并且它们忽略了可能提高推荐质量的其他信息源，例如文本评论或用户和项目特征。此外，这些系统中的大多数仅适用于小型数据集（具有数千个观测值），无法处理大型数据集（具有数百万个观测值）。我们提出了一种推荐算法，它结合了评级建模技术（即，潜在因素模型）与基于文本评论的主题建模方法（即，潜在的Dirichlet分配），我们扩展的算法，使其允许添加额外的用户和项目的特定信息的系统。我们使用不同大小的Amazon.com数据集，对应于23个产品类别的算法的性能进行评估。在将构建的模型与其他四个模型进行比较后，我们发现将文本评论与评级相结合会带来更好的推荐。此外，我们发现向模型中添加额外的用户和项目特征可以提高其预测准确性，这对于中型和大型数据集尤其如此。
2021-11-16 cs.IR cs.LG stat.ML
Generative Concatenative Nets Jointly Learn to Write and Classify Reviews
University of California, San Diego（加州大学圣地亚哥分校）
推荐系统的基本任务是估计用户将如何响应未见过的项目。这通常是根据用户如何评价产品来建模的，但在这里，我们的目标是扩展这种方法来建模用户如何撰写产品。为此，我们设计了一个字符级递归神经网络（RNN），用于生成个性化的产品评论。该网络令人信服地学习了近1000位不同作者的风格和观点，使用了BeerAdvocate.com的大型评论语料库。它还定制评论来描述特定的项目，类别和星级。使用一个简单的输入复制策略，生成级联网络（GCN）保持跨宽序列间隔的静态辅助输入的信号。在没有任何额外训练的情况下，生成模型可以对评论进行分类，识别评论的作者，产品类别和情感（评级），具有显着的准确性。我们的评估表明，GCN捕捉文本中复杂的动态，如否定的效果，拼写错误，俚语，和大型词汇优雅地没有任何明确致力于此目的的机器。
2016-04-07 cs.CL cs.LG
Non-IID Recommender Systems: A Review and Framework of Recommendation Paradigm Shifting
Advanced Analytics Institute, University of Technology Sydney（悉尼科技大学高级分析学院）
虽然推荐在我们的生活、学习、工作和娱乐中扮演着越来越重要的角色，但我们收到的推荐往往是不相关的、重复的或无趣的产品和服务。现有的推荐理论和推荐系统都假设推荐用户和推荐项目是独立同分布的，这是造成这种不良推荐的一个重要原因。另一个现象是，虽然已经做出了巨大的努力来对用户或项目的特定方面进行建模，但总体用户和项目特征及其非IID性却被忽视了。本文首先讨论了推荐的非IID性质和特征，然后从耦合性和异质性两个角度，建立了非IID的理论框架，以期对推荐问题的内在本质有一个深入而全面的理解。这种非IID推荐研究触发了从IID到非IID推荐研究的范式转变，并有望提供知情的，相关的，个性化的和可操作的建议。它创造了令人兴奋的新方向和基本解决方案，以解决各种复杂性，包括冷启动，基于稀疏数据，跨域，基于组和先令攻击相关的问题。
2020-07-01 cs.IR cs.LG
Ranking Online Consumer Reviews
产品评论被张贴在网上数百甚至在一些受欢迎的产品数千.处理如此大量的连续生成的在线内容对于买家、卖家甚至研究人员来说都是一项具有挑战性的任务。这项研究的目的是排名的绝大多数评论使用他们的预测有用的分数。使用随机森林分类器和梯度提升回归器，使用从产品的评论文本数据、产品描述数据和客户问答数据中提取的特征来预测有用性分数。该系统通过随机森林分类器将评论分为低质量和高质量。高质量评论的有用性评分仅使用梯度提升回归量来预测。低质量评论的有用性分数不会被计算出来，因为它们永远不会进入前k个评论。它们只是被添加到评论列表的末尾。拟议的系统提供了公平的审查位置上的审查清单页，使所有高质量的审查可见的客户在顶部。来自两个流行的印度电子商务网站的数据的实验结果验证了我们的说法，因为3-4个新的高质量评论和5-6个基于评论有用性的旧评论被放置在前十名评论中。我们的研究结果表明，包括从产品描述数据和客户问答数据的功能，提高了预测准确性的有用性分数。
2019-01-17 cs.IR cs.NE
Negative Confidence-Aware Weakly Supervised Binary Classification for Effective Review Helpfulness Classification
正标签的不完整性和存在许多未标记的实例是二元分类应用中常见的问题，例如在评论有用性分类中。分类文献中的各种研究将所有未标记的实例视为反例。然而，一个分类模型，学习分类二进制实例与不完整的积极标签，同时假设所有未标记的数据是负面的例子，往往会产生一个有偏见的分类器。在这项工作中，我们提出了一种新的负置信度感知的弱监督方法（NCWS），该方法通过在分类器的训练过程中区分具有不同负置信度的未标记样本来定制二进制分类损失函数。我们使用的审查有益分类作为测试案例，检查我们的NCWS方法的有效性。我们使用三个不同的数据集，即一个来自Yelp（场地评论），两个来自亚马逊（Kindle和电子评论），对NCWS进行了全面评估。我们的研究结果表明，NCWS优于强大的基线从文献中，包括现有的基于SVM的方法（即SVM-P），积极和未标记的基于学习的方法（即C-PU）和积极的信心为基础的方法（即P-conf）在解决分类器的偏见问题。此外，我们还通过在最先进的基于评论的场馆推荐模型（即DeepCoNN）中使用其分类的有用评论来进一步检查NCWS的有效性，并展示了使用NCWS在增强场馆推荐有效性方面的好处与基线相比。
2020-08-14 cs.IR
Detecting Anomalous Invoice Line Items in the Legal Case Lifecycle
InfiniGlobe, LLC（InfiniGlobe有限责任公司）
美国是世界上最大的法律服务分销商，其服务收入达$437 billion market. Of this, corporate legal departments pay law firms $ 800亿美元。每个月，法律部门都会收到和处理这些律师事务所和法律服务提供者的发票。法律发票审查一直是公司法律部门领导的一个痛点。复杂而复杂的法律发票通常包含数百个项目，这些项目涵盖了从实际法律工作到复印、餐饮和旅行等费用的任何任务。发票审查过程中涉及的工时和审查可能是压倒性的。即使有共同的保障措施，如既定的计费准则，经验丰富的发票审查员（通常是高薪的内部律师），和基于规则的电子计费工具（“电子计费”），许多差异未被发现。使用机器学习，我们的目标是展示律师事务所向其企业客户提交的发票的法律发票审查流程的当前缺陷，并探索改进。在这项工作中，我们详细介绍了我们的方法，应用几个机器学习模型架构，用于检测异常发票行项目的基础上，他们在法律案件的生命周期的适用性（建模使用一组案件级和发票行项目级功能）。为了克服未标记数据的挑战，我们生成了一个合成数据集，该数据集利用主题专业知识（“SME”）来操纵现有记录的属性，以反映产品生命周期中的异常状态，并使用一组模型架构来表征我们方法的性能。我们展示了这个过程如何推进解决异常检测问题，特别是当异常的特征是众所周知的，并提供从我们的方法应用到现实世界的数据的经验教…
2021-04-21 cs.LG
Personalized Neural Embeddings for Collaborative Filtering with Text
Hong Kong University of Science and Technology（香港科技大学）；Department of Computer Science and Engineering（计算机科学与工程系）
协同过滤是推荐系统的核心技术。传统的CF方法利用用户-项目关系（例如，点击、喜欢和观看），因此它们遭受数据稀疏性问题。项目通常与非结构化文本相关联，例如文章摘要和产品评论。我们开发了一个个性化神经嵌入（PNE）框架，以无缝地利用交互和单词。我们学习这样的嵌入用户，项目和单词联合，并预测用户的喜好项目的基础上，这些学习的表示。PNE通过行为因素和语义因素两个方面来估计用户喜欢某个项目的概率。在两个真实世界的数据集上，PNE在三个指标方面表现出比四个最先进的基线更好的性能。我们还表明，PNE学习有意义的词嵌入的可视化。
2019-03-19 cs.AI cs.CL cs.IR
Shilling Black-box Review-based Recommender Systems through Fake Review Generation
National Tsing Hua University（国立清华大学）；National Yang Ming Chiao Tung University（国立阳明交通大学）
本文提出首个针对RBRSs的生成式shilling攻击模型，通过强化学习生成高保真虚假评论强制预测偏移以恶意推广物品，并证明配备ARGs的对抗训练能显著提升系统鲁棒性。
2023-06-27 cs.IR cs.LG cs.SI
Review-Based Hyperbolic Cross-Domain Recommendation
Samsung（三星）；KAIST（韩国科学技术院）；Korea Institute of Energy Technology（韩国能源技术研究院）
本文提出一种基于评论文本的双曲跨域推荐方法，通过层级感知嵌入与域对齐解决数据稀疏问题，实验验证了其效率、鲁棒性和可扩展性。
2025-03-19 cs.IR cs.LG
How opinions are received by online communities: A case study on Amazon.com helpfulness votes
Cornell University（康奈尔大学）；Google Inc.（谷歌公司）
有许多用户公开表达意见的在线设置。其中一些提供了其他用户评估这些意见的机制;一个典型的例子是Amazon.com，其中评论带有注释，如“32人中有26人认为以下评论有帮助。“意见评估也出现在许多离线环境中，包括市场研究和政治运动。对一个观点的评价进行推理与对观点本身进行推理是根本不同的：而不是问：“Y对X有什么看法？我们要问的是，“Z对Y对X的看法是什么？”“在这里，我们开发了一个分析和建模意见评估的框架，使用大规模的亚马逊书评作为数据集。我们发现，一个审查的感知帮助不仅取决于它的内容，但也在微妙的方式上如何表达的评价涉及到同一产品的其他评价。作为我们方法的一部分，我们开发了新的方法，利用审查“剽窃”的现象来控制文本在意见评价中的影响，我们提供了一个简单而自然的数学模型与我们的研究结果相一致。我们的分析还使我们能够区分来自社会学和社会心理学的竞争理论的预测，并发现来自不同国家的用户群体的集体意见评估行为的意想不到的差异。
2009-06-21 cs.CL cs.IR physics.data-an
When Reviews Are Scarce: Structure-Aware Review Imputation for Recommendation in Realistic Sparse Review Settings
Yale University（耶鲁大学）；Vanderbilt University（范德比大学）；Adobe Research（Adobe研究）；Cisco AI Research（思科人工智能研究）
针对推荐中评论稀疏问题，提出TWISTER框架，通过文本边图联合建模语义与结构信号，利用大语言模型聚合邻域生成个性化评论，在Amazon和Goodreads上提升推荐性能。
2026-11-05 cs.AI cs.IR cs.LG
NRPA: Neural Recommendation with Personalized Attention
Tianjin University（天津大学）；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
现有的基于评论的推荐方法通常使用相同的模型来从用户对项目发布的评论中学习所有用户/项目的表示。然而，不同的用户有不同的偏好，不同的项目有不同的特点。因此，相同的词或类似的评论对于不同的用户和项目可能具有不同的信息量。在本文中，我们提出了一种具有个性化注意力的神经推荐方法，以从评论中学习用户和项目的个性化表示。我们使用评论编码器从单词中学习评论的表示，使用用户/项目编码器从评论中学习用户或项目的表示。我们提出了一个个性化的注意力模型，并将其应用到评论和用户/项目编码器，以选择不同的重要的话和评论，为不同的用户/项目。在五个数据集上的实验验证了该方法可以有效地提高神经推荐的性能。
2019-05-29 cs.CL cs.IR cs.LG
Beyond Exchangeability: The Chinese Voting Process
Cornell University（康奈尔大学）
许多在线社区提供用户贡献的回复，如产品评论和问题答案。用户提供的有用性投票可以突出最有用的响应，但投票是一个社会过程，可以根据响应的受欢迎程度和现有投票的极性获得动力。我们提出了中国投票过程（CVP）模型的演变有益的选票作为一个自我强化的过程依赖于立场和演示偏见。我们在亚马逊产品评论和80多个StackExchange论坛上评估了这个模型，测量了不同社区的个人响应和行为系数的内在质量。
2016-10-28 cs.IR cs.LG cs.SI
Self-Supervised Contrastive BERT Fine-tuning for Fusion-based Reviewed-Item Retrieval
University of Toronto（多伦多大学）；LG Electronics（LG电子）
针对评论项检索（RIR）任务缺乏标注数据的问题，提出利用自监督对比学习微调BERT嵌入，结合物品-评论两级结构和元数据进行正负样本选择，实验证明后期融合方法显著优于其他基线。
2023-08-01 cs.CL cs.IR cs.LG
TransRev: Modeling Reviews as Translations from Users to Items
NEC Labs Europe（NEC欧洲实验室）；The University of Hong Kong（香港大学）
评论的文本表达了客户对特定产品的看法。这在情感分析中被利用，其中机器学习模型被用于从评论的文本预测评论分数。此外，消费者过去购买的产品是他们将来购买的产品的指示。这就是推荐系统通过从购买信息中学习模型来预测客户可能感兴趣的项目所利用的。我们提出了transRev，一种产品推荐问题的方法，它将推荐系统，情感分析和多关系学习的想法集成到一个联合学习目标中。TransRev学习用户、项目和评论的向量表示。评论的嵌入被学习，使得（a）它作为用于情感预测的回归模型的输入特征表现良好;并且（b）它总是将评论者嵌入转换为评论项目的嵌入。这使得TransRev可以在测试时将评审嵌入近似为每个项目的嵌入和用户嵌入的差异。然后，近似的评论嵌入与回归模型一起使用，以预测每个项目的评论得分。TransRev在大量基准数据集上的表现优于最先进的推荐系统。此外，对于每个用户和项目，它能够从其嵌入与近似评论嵌入最相似的训练集中检索评论文本。
2018-04-18 cs.CL cs.IR
Asymmetrical Hierarchical Networks with Attentive Interactions for Interpretable Review-Based Recommendation
Rutgers University（罗格斯大学）；NEC Laboratories America（NEC美国实验室）
最近，推荐系统已经能够通过利用用户提供的评论来发出显著改进的推荐。现有的方法通常将给定用户或项目的所有评论合并到一个长文档中，然后以相同的方式处理用户和项目文档。然而，在实践中，这两组评论是明显不同的：用户的评论反映了他们购买的各种物品，因此在他们的主题中是非常异质的，而物品的评论只涉及单个物品，因此主题是同质的。在这项工作中，我们开发了一种新的神经网络模型，适当地考虑到这一重要的差异，通过不对称的注意模块。用户模块学习只关注那些与目标项目相关的信号，而项目模块学习提取与项目属性相关的最显著内容。我们的多层次范式解释了这样一个事实，即不是所有的评论都同样有用，也不是每个评论中的所有句子都同样相关。在各种真实数据集上的大量实验结果证明了我们方法的有效性。
2019-12-18 cs.CL cs.IR
Improving User Experience with Personalized Review Ranking and Summarization
Information and Computer Science Dept., King Fahd University of Petroleum and Minerals（信息与计算机科学系，国王法赫德石油与矿物大学）；Interdisciplinary Research Center for Intelligent Secure Systems (IRC-ISS), King Fahd University of Petroleum and Minerals（智能安全系统交叉研究中心（IRC-ISS），国王法赫德石油与矿物大学）
提出融合用户偏好建模、混合情感估计、方面级评论匹配和LLM摘要的个性化评论排名与摘要框架，在亚马逊数据集和用户研究中优于现有方法。
2026-06-06 cs.IR cs.LG
Integrating Reviews into Personalized Ranking for Cold Start Recommendation
Hong Kong University of Science and Technology（香港科技大学）；Nanjing University（南京大学）
项目推荐任务为每个用户预测一组项目的个性化排名。一个范例是基于评级的方法，专注于明确的反馈，因此面临着收集他们的困难。同时，提出了基于评分的方法，对评分后的项目进行排序。这种模式利用了广泛存在的内隐反馈。然而，它通常忽略了一种重要的信息：项目评论。项目审查不仅证明了用户的偏好，而且还有助于减轻冷启动问题，失败的协同过滤。在本文中，我们提出了两个新颖而简单的模型，将项目评论贝叶斯个性化排名。在每个模型中，我们使用词嵌入从项目评论中提取的文本特征。在文本特征之上，我们发现了解释用户反馈变化的评论维度，这些评论因素代表了用户的优先偏好。在六个真实数据集上的实验显示了利用项目评论进行排名预测的好处。我们还进行分析，以了解所提出的模型。
2018-12-05 cs.AI cs.CL cs.IR
A Contrastive Framework with User, Item and Review Alignment for Recommendation
针对评论感知推荐中评论缺失及表示不一致问题，提出以评论为中心的对比对齐框架ReCAFR，通过自监督对比策略缓解稀疏性并对齐用户、物品和评论表示，在基准数据集上验证了有效性与鲁棒性。
2025-04-23 cs.IR
PeReGrINE: Evaluating Personalized Review Fidelity with User Item Graph Context
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
PeReGrINE通过构建用户-物品图结构，评估个性化评论生成中证据组合对可信度、个性化和检索条件语言模型的影响。
2026-04-09 cs.CL cs.IR
Multi-Aspect Reviewed-Item Retrieval via LLM Query Decomposition and Aspect Fusion
本文针对多方面评论物品检索中后期融合方法对方面分布敏感的问题，提出基于LLM查询提取和生成式重排序的方面融合策略，在不平衡评论语料上将MAP@10从0.36提升至0.52。
2024-08-01 cs.IR
A Review-aware Graph Contrastive Learning Framework for Recommendation
大多数现代推荐系统预测用户的偏好有两个组成部分：用户和项目嵌入学习，其次是用户-项目交互建模。现有的基于评论的推荐模型通过利用用户评分的辅助评论信息，利用历史评论丰富了用户/项目嵌入学习能力，或者利用可用的用户-项目目标评论更好地建模用户-项目交互。虽然已经取得了重大进展，我们认为，目前的解决方案，基于审查的建议遭受两个缺点。首先，由于基于评论的推荐可以自然地形成为具有来自相应用户项目评论的边缘特征的用户项目二分图，如何更好地利用这种独特的图结构进行推荐？其次，虽然目前大多数模型都受到用户行为的限制，但我们能否利用评论感知图中独特的自监督信号来更好地指导两个推荐组件？为此，在本文中，我们提出了一种新的审查感知图对比学习（RGCL）框架的审查为基础的推荐。具体来说，我们首先构建一个具有功能增强边缘的评论感知用户项目图，其中每个边缘功能由用户项目评级和相应的评论语义组成。该图具有特征增强的边，可以帮助专心地学习每个邻居节点的权重，用于用户和项目表示学习。之后，我们设计了两个额外的对比学习任务（即，节点鉴别和边缘鉴别），为推荐过程中的两个组件提供自监督信号。最后，在五个基准数据集上的广泛实验证明了我们提出的RGCL与最先进的基线相比的优越性。
2022-05-16 cs.IR
Learning a Fine-Grained Review-based Transformer Model for Personalized Product Search
产品搜索一直是服务于人们在线购物的关键入口。大多数现有的个性化产品模型遵循在语义空间中表示和匹配用户意图和项目的范例，其中细粒度的匹配被完全丢弃，并且项目的排名不能被进一步解释为仅仅是用户/项目级别的相似性。此外，虽然现有研究中的一些模型已经基于搜索上下文创建了动态用户表示，但它们对项目的表示在所有搜索会话中都是静态的。这使得在与各种用户意图匹配期间，关于项的每条信息在表示项时总是同等重要。意识到上述限制，我们提出了一个基于评论的Transformer模型（RTM）的个性化产品搜索，编码的序列查询，用户评论，和项目评论与Transformer架构。RTM在用户和项目之间进行审查级别的匹配，其中每个审查根据序列中的上下文具有动态效果。这使得识别有用的评论来解释评分成为可能。实验结果表明，RTM显着优于国家的最先进的个性化产品搜索基线。
2021-06-03 cs.IR
Neural Review Rating Prediction with Hierarchical Attentions and Latent Factors
Tianjin University（天津大学）；Microsoft Research Asia（微软亚洲研究院）
文本评论可以为用户和项目建模提供丰富有用的语义信息，这有利于推荐中的评分预测。不同的词语和评论对于用户或项目可能具有不同的信息量。此外，不同的用户和项目应该个性化。大多数现有的作品平等地对待所有评论或利用一般的注意力机制。本文提出了一种融合潜在因素模型的分级注意力模型，该模型可以集中注意力于重要词和信息性评论。特别地，我们使用潜在因素模型的因素向量来引导注意力网络，并将因素向量与从评论中学习到的特征表示相结合来预测最终的评分。在真实数据集上的实验验证了该方法的有效性。
2019-05-29 cs.CL cs.IR
Comparing Apples to Apples: Generating Aspect-Aware Comparative Sentences from User Reviews
UC, San Diego（加州大学圣地亚哥分校）；UC San Diego（加州大学圣地亚哥分校）
针对用户挑选同类产品效率低的问题，提出含商品编码、自回归比较生成、个性化解码的transformer三组件模型，可从商品评论生成相关真实的比较句，辅助用户选品。
2023-07-23 cs.AI cs.CL cs.IR
A Zero Attentive Relevance Matching Networkfor Review Modeling in Recommendation System
用户评论和项目评论对于推荐系统的构建是有价值的。一般来说，现有的基于评论的推荐方法可以大致分为两类：分别从评论中构建静态用户和项目表示的连体模型，以及根据评论的相似性或关系动态编码用户和项目的基于交互的模型。虽然基于交互的模型具有更大的模型容量，更好地拟合人类购买行为，但现有基于交互的模型的一些问题的模型设计和假设导致其性能不如现有的连体模型。在本文中，我们确定了现有的基于交互的推荐模型的三个问题，并提出了一对夫妇的解决方案，以及一个新的基于交互的模型，将审查数据的评级预测。我们的模型实现了一个相关性匹配模型与正则化的训练损失，以发现用户相关的信息，从长项目评论，它也适应了零注意力策略，以动态平衡项目相关和项目无关的信息提取用户评论。在Amazon Product Benchmark数据集上的实证实验和案例研究表明，我们的模型可以从评论中提取有效且可解释的用户/项目表示，并且优于多种基于评论的推荐模型。
2021-08-01 cs.IR
A Context-Aware User-Item Representation Learning for Item Recommendation
评论和用户-项目交互（即，评级分数）已经被广泛地用于用户评级预测。然而，这些现有的技术主要提取的潜在表示的用户和项目在一个独立的和静态的方式。也就是说，一个单一的静态特征向量的推导编码她的喜好，而不考虑每个候选项目的特定特性。我们认为，这种静态的编码方案是很难完全捕捉用户的喜好。在本文中，我们提出了一种新的上下文感知的用户项目表示学习模型的评级预测，命名为CARL。也就是说，CARL基于它们各自的潜在特征和潜在特征交互来导出给定用户-项目对的联合表示。然后，CARL采用因式分解机进一步建模的基础上的用户项目对评分预测的高阶特征的相互作用。具体而言，两个独立的学习组件设计在CARL分别利用审查数据和交互数据：基于审查的特征学习和基于交互的特征学习。在基于评论的学习组件中，结合卷积运算和注意力机制，通过联合考虑用户-项目对的评论信息，提取用户-项目对的相关特征。然而，这些功能只是审查驱动的，可能并不全面。因此，基于交互的学习组件还基于用户-项目对从单独的交互数据中提取互补特征。最后的评级分数，然后得出一个动态的线性融合机制。在五个真实世界数据集上的实验表明，CARL比现有的最先进的替代品实现了更好的评级预测准确性。此外，我们还发现，在注意力机制的作用下，评论中的相关信息可以被突显出来，从而解释评级预测。
2017-12-29 cs.IR
SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation
University of Science and Technology of China（中国科学技术大学）；Ant Group（蚂蚁集团）
最近的研究在推荐系统中已经成功地实现了显着改善的性能，利用评论的评级预测。然而，尽管被广泛研究，这些方法仍然受到一些限制。首先，以往的研究要么对文档进行编码，要么通过神经网络提取潜在的情感，难以直观地解释评论者的情感。其次，他们忽视了评论与用户/项目的个性化交互，即，当对用户/项目的情感偏好进行建模时，每个评论具有不同的贡献。为了解决这些问题，我们提出了一个情感感知的交互式融合网络（SIFN）的评论为基础的项目推荐。具体来说，我们首先通过BERT编码用户/项目评论，并提出了一个轻量级的情感学习器来提取每个评论的语义特征。然后，我们提出了一个情感预测任务，引导情感学习器通过明确的情感标签来提取情感感知特征。最后，我们设计了一个评级预测任务，该任务包含一个评级学习器，该评级学习器具有一个交互和融合模块来融合身份（即，用户和项目ID）和每个评论表示，使得各种交互式特征可以协同地影响最终评级分数。在五个真实数据集上的实验结果表明，该模型优于现有的模型。
2021-08-18 cs.AI cs.IR
Web Item Reviewing Made Easy By Leveraging Available User Feedback
在过去的十年中，在线评论网站的广泛使用促使各种类型的企业拥有大量的用户反馈来标记他们的声誉。虽然很大一部分的购买决策是由平均评级驱动的，但详细的评论对于购买昂贵的数码单反相机等活动至关重要。由于为一个项目写一个详细的评论通常是耗时的，在网络上可用的评论的数量是远远不够的。给定一个用户和一个项目，我们的目标是识别最有意义的$k$短语/标签，以帮助她轻松地查看项目。我们提出了一般约束优化框架的基础上的三个措施-相关性（如何以及标签的结果集描述一个项目），覆盖率（如何以及标签的结果集覆盖项目的不同方面），和极性（如何以及情绪是附加到标签的结果集）。通过采用不同的覆盖率定义，我们确定了两个具体的问题实例，使广泛的现实世界的情况。我们开发实用的算法与理论界有效地解决这些问题。我们对从网络上抓取的合成数据和真实数据进行实验，以验证我们的解决方案的有效性。
2016-02-20 cs.IR cs.SI
A Hierarchical Self-attentive Convolution Network for Review Modeling in Recommendation Systems
使用评论来学习用户和项目表示对于推荐系统是重要的。当前基于评论的方法可以分为两类：（1）基于卷积神经网络（CNN）的模型，其从用户/项目评论中提取n-gram特征;（2）基于递归神经网络（RNN）的模型，其从用户和项目的评论中学习全局上下文表示。尽管他们的成功，CNN和RNN的模型在以前的研究遭受自己的缺点。虽然基于CNN的模型在建模文本中的长依赖关系方面很弱，但基于RNN的模型由于无法并行计算而在训练和推理方面很慢。针对这些问题，本文提出了一种新的文本编码器模型，将卷积网络和自注意网络相结合，对文本中的局部和全局交互进行建模。由于不同的词、句子和评论对用户和项目表示的重要性不同，我们通过对句子进行词编码，在句子层、评论层和用户/项目层分层构建评论模型，对评论的句子进行编码，以及对用户和项目表示的评论进行编码。在Amazon Product Benchmark上的实验表明，与现有的基于评论的推荐模型相比，我们的模型可以获得更好的性能。
2020-11-26 cs.IR
Credible Review Detection with Limited Information using Consistency Analysis
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
在线评论提供关于产品/服务的优点和缺点的观点，影响潜在客户的购买决定。然而，不可信评论的泛滥--要么是虚假的（提升/降级某个项目）、不称职的（涉及不相关的方面），要么是有偏见的--带来了识别可信评论的问题。先前的工作涉及利用关于项目/用户的丰富信息的分类器-这些信息在几个领域中可能不容易获得-仅提供有限的可解释性，以说明为什么评论被认为是不可信的。本文提出了一种新的方法来解决上述问题。我们利用潜在的主题模型，利用审查文本，项目评级，和时间戳来获得一致性功能，而不依赖于项目/用户的历史，不可用的“长尾”项目/用户。我们开发模型，用于计算评论可信度分数，为不可信的评论提供可解释的证据，这些模型也可以转移到其他领域-解决标记数据的稀缺性。在真实世界数据集上的实验证明了对最先进基线的改进。
2017-05-07 cs.AI cs.CL cs.IR
Two-Sided State-Space Models for Sequential Recommendation with Non-Random Multimodal Review Feedback
Emory University（埃默里大学）
针对双边平台序列推荐中评论反馈的非随机性与溢出效应问题，提出TS-SSM模型，经多数据集实验较现有基准模型在Recall@20上有显著提升。
2026-10-01 cs.IR
RAGR: Review-Augmented Generative Recommendation
Dalian University of Technology（大连理工大学）；City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出RAGR，一种将评论反馈直接融入生成用户序列的新型生成推荐框架，通过混合行为-语义序列和基于直接偏好优化的任务生成对齐策略，提升推荐性能。
2026-06-16 cs.IR
printf: Preference Modeling Based on User Reviews with Item Images and Textual Information via Graph Learning
本文提出图学习框架 printf，通过维度级注意力融合用户评论、物品图像与文本信息以建模偏好，并在三个 Amazon 数据集上显著提升 top-N 推荐效果。
2023-08-19 cs.IR
Disentangled Graph Contrastive Learning for Review-based Recommendation
用户评论数据有助于缓解许多推荐系统中的数据稀疏问题。在基于评论的推荐方法中，评论数据被认为是辅助信息，其可以提高用于用户评级预测任务的所学习的用户/项目或交互表示的质量。然而，这些方法通常以整体的方式对用户-项目交互进行建模，而忽略了它们背后的潜在因素的纠缠，例如，价格，质量或外观，导致次优表示和降低可解释性。本文提出了一种基于文本评论数据的基于评论推荐的解纠缠图对比学习（DiscentralGraphContrasiveLearning，DGARCH）框架，分别对基于不同潜在因素的用户-项目交互进行建模。为此，我们首先从评论数据中的语义信息和用户项图数据中的结构信息对潜在因素的交互分布进行建模，形成几个因素图。然后设计了一个因子分解的消息传递机制来学习因子图上的用户/项目表示，这使我们能够进一步表征交互，并通过设计的注意力机制自适应地组合来自多个因子的预测评级。最后，我们设置两个因素明智的对比学习目标，以减轻稀疏性问题和模型的用户/项目和交互功能相关的每个因素更准确。五个基准数据集的实证结果验证了DGCLR相对于最先进方法的优越性。进一步的分析提供了解释学习的意图因素和评级预测在DGRENT。
2022-09-04 cs.IR
Leveraging Review Properties for Effective Recommendation
许多最先进的推荐系统通过考虑用户发布的显式项目评论在表示用户偏好和描述项目属性方面的有用性来利用它们。这些发布的评论可以具有各种相关联的属性，诸如它们的长度、自从它们被发布以来的它们的年龄、或者它们的项目评级。然而，目前尚不清楚这些不同的审查属性如何有助于其相应的审查在解决建议任务中的有用性。特别是，用户在考虑评论的不同方面（即属性）时表现出不同的偏好，以做出关于项目的决定。因此，在学习用户偏好和项目属性的同时，对评论属性和评论有用性之间的关系进行建模是很重要的。因此，我们建议使用相关的可用属性对评论进行建模。我们介绍了一种新的审查属性为基础的推荐模型（RPRM），学习审查属性是更重要的比别人在捕捉有用的评论，从而提高推荐结果。此外，受用户信息采纳框架的启发，我们将两个损失函数和一个负抽样策略集成到我们提出的RRRM模型中，以确保评论的属性与用户的偏好相关。我们使用著名的Yelp和Amazon数据集来检查RPRM的有效性。我们的研究结果表明，RRRM显着优于经典和五个国家的最先进的基线。此外，我们实验表明，使用我们提出的损失函数和负采样策略的优势，进一步提高了推荐性能的建议。
2021-02-05 cs.IR
MMALFM: Explainable Recommendation by Leveraging Reviews and Images
虽然潜在因素模型在评分预测方面取得了很好的准确性，但它存在许多问题，包括冷启动，不透明，以及个别用户-项目对的次优结果。在本文中，我们利用文本评论和项目图像以及评级来解决这些限制。具体来说，我们首先应用一个建议的多模态方面感知主题模型（MATM）的文本评论和项目图像从不同的方面来模拟用户的喜好和项目的功能，也估计方面的重要性，用户对一个项目。然后，方面的重要性集成到一个新的方面感知的潜在因素模型（ALFM），学习用户和项目的潜在因素的基础上的评级。特别是，ALFM引入了一个权重矩阵，将这些潜在因素与MATM中的同一组方面相关联，从而可以使用潜在因素来估计方面评级。最后，通过方面评级的线性组合计算整体评级，这些方面评级由相应的方面重要性加权。为此，我们的模型可以缓解数据稀疏性问题，并获得良好的解释性推荐。此外，每个方面的评级是加权的方面的重要性，这是依赖于目标用户的喜好和目标项目的功能。因此，预计所提出的方法可以更准确地为每个用户-项目对建模用户对项目的偏好。在Yelp 2017 Challenge数据集和Amazon产品数据集上进行了全面的实验研究，以证明我们方法的有效性。
2018-11-24 cs.IR
Fiducia: A Personalized Food Recommender System for Zomato
本文介绍了Fiducia，一个食品评论系统，涉及一个管道，处理从Zomato（印度最大的餐厅搜索和发现服务）获得的餐厅相关评论。Fiducia专门针对流行的咖啡馆食品项目，并设法在评论中分别识别与每个项目有关的相关信息。它对这些文本进行情感检查，并根据用户-项目和项目-项目的相似性为特定项目建议合适的餐厅。实验结果表明，情感分析模块的Fiducia达到了85%以上的准确率，我们最终的推荐系统达到了约1.01击败其他基线的RMSE。
2019-03-25 cs.IR cs.SI
An Aspect Performance-aware Hypergraph Neural Network for Review-based Recommendation
提出面向方面性能的超图神经网络APH，利用评论情感极性推断商品性能，提升基于评论推荐的准确性，在六个数据集上平均提升MSE、Precision@5和Recall@5分别2.30%、4.89%和1.60%。
2025-01-26 cs.IR
Item Recommendation with Evolving User Preferences and Experience
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Carnegie Mellon University（卡内基梅隆大学）
目前的推荐系统利用协同过滤的用户和项目的相似性。一些先进的方法也考虑项目评分的时间演变作为一个全球背景过程。然而，所有现有方法都忽略了用户体验水平的个体演变以及这在评论社区中的用户写作中是如何表达的。在本文中，我们建立了用户体验、对特定项目方面的兴趣、写作风格和评级行为的联合演化模型。通过这种方式，我们可以生成考虑用户成熟度级别的个人建议（例如，向电影摄影专家推荐艺术电影而不是大片）。由于只有项目评级和评论文本是可观察的，我们捕捉用户的经验和兴趣的潜在模型，从她的评论，词汇和写作风格。我们开发了一个生成的HMM-LDA模型来跟踪用户的演变，其中隐马尔可夫模型（HMM）跟踪她的潜在体验随着时间的推移而进展-随着时间的推移，用户的评论和评级仅作为可观察的。用户的兴趣的方面是从潜在的Dirichlet分配（LDA）模型从她的评论，作为她的（再次潜在的）经验水平的函数。在五个真实世界数据集的实验中，我们表明我们的模型在最先进的基线上大幅提高了评级预测。我们还表明，在用例研究中，我们的模型在评估用户体验水平方面表现良好。
2017-05-06 cs.AI cs.CL cs.IR
Explainable Recommender with Geometric Information Bottleneck
提出将几何先验融入变分网络以推断潜在因子，同时用于推荐和解释生成，在三个电商数据集上显著提升可解释性且保持推荐性能。
2024-01-05 cs.CL cs.IR
Aspect-Aware Latent Factor Model: Rating Prediction with Ratings and Reviews
虽然潜在因素模型（例如，矩阵分解）在评级预测中实现了良好的准确性，但是它们遭受若干问题，包括冷启动、非透明性以及针对本地用户或项目的次优推荐。在本文中，我们采用文本评论信息与评级来解决这些限制。首先，我们提出了一个方面感知的主题模型（ATM）的评论文本模型的用户偏好和项目的功能，从不同的方面，并估计方面的重要性，用户对一个项目。方面的重要性，然后集成到一个新的方面感知的潜在因素模型（ALFM），学习用户和项目的潜在因素的基础上的评级。特别是，ALFM引入了一个加权矩阵，将这些潜在因素与ATM发现的同一组方面相关联，从而可以使用潜在因素来估计方面评级。最后，通过方面评级的线性组合计算整体评级，这些方面评级由相应的方面重要性加权。为此，我们的模型可以缓解数据稀疏性问题，并获得良好的解释性推荐。此外，一个方面的评级加权方面的重要性，这是依赖于目标用户的喜好和目标项目的功能。因此，预计所提出的方法可以更准确地为每个用户-项目对本地建模用户对项目的偏好。对来自Amazon和Yelp 2017挑战数据集的19个数据集进行了全面的实验研究。结果表明，我们的方法取得了显着的改善相比，强基线方法，特别是对于用户只有很少的评级。此外，我们的模型可以解释推荐结果的深度。
2018-02-22 cs.IR
Hierarchical Text Interaction for Rating Prediction
National Innovative Institute of Defense Technology（国防科技创新研究院）；Shandong Normal University（山东师范大学）；National University of Defense Technology（国防科技大学）；The University of Queensland（昆士兰大学）
传统的推荐系统面临着诸如数据稀疏性和不可解释推荐等问题。为了应对这些挑战，许多作品提出利用语义信息的审查数据。然而，这些方法有两个主要的局限性方面的方式来建模文本特征和捕获文本的交互。对于文本建模，它们只是将用户/项目的所有评论连接到单个评论中。然而，在词/短语级别的特征提取可能违反原始评论的含义。至于文本交互，它们将交互推迟到预测层，使其无法捕获用户和项目之间的复杂相关性。为了解决这些局限性，我们提出了一种新的层次文本交互模型（HTI）的评级预测。在HTI中，我们建议对低级别的单词语义和高级别的评论表示进行分层建模。层次结构允许我们利用不同粒度的文本特征。为了进一步捕捉复杂的用户-项目交互，我们建议利用不同层次的每个用户-项目对之间的语义相关性。在词的层次上，我们提出了一个专门针对每个用户-项目对的注意力机制，并捕捉代表每个评论的重要词。在评论层，我们在用户和项目之间相互传播文本特征，并捕获信息性评论。聚合的评论表示被集成到用于评级预测的协同过滤框架中。在五个真实世界数据集上的实验表明，HTI的性能大大优于最先进的模型。进一步的案例研究提供了一个深刻的洞察HTI的能力，捕捉语义相关性在不同级别的粒度评级预测。
2020-10-15 cs.AI cs.IR
MAPLE: Enhancing Review Generation with Multi-Aspect Prompt LEarning in Explainable Recommendation
Department of Computer Science and Information Engineering, National Cheng-Kung University（资讯工程系，国立成功大学）；Google（谷歌）
提出MAPLE模型，通过将方面类别作为额外输入维度进行多方面提示学习，提升可解释推荐中评论生成的个性化、精确性和多样性，并在餐厅领域数据集上显著优于基线。
2025-05-24 cs.CL cs.IR cs.LG
A Review-Driven Neural Model for Sequential Recommendation
在电子商务中，为购买的商品撰写评论是表达用户意见的一个独特渠道。最近，已经提出了许多基于深度学习的解决方案，通过利用用户评论进行评级预测。相比之下，很少有人尝试将用户评论所覆盖的语义信号用于协同过滤任务。在本文中，我们提出了一个新的评论驱动的神经顺序推荐模型（RNS），考虑用户的内在偏好（长期）和顺序模式（短期）。详细地说，RNS被设计成用从评论中提取的方面感知表示来编码每个用户或项目。给定一个用户的历史购买项目的序列，我们设计了一个新的层次注意力机制注意力机制，以捕捉在工会和个人级别的序列模式。在三个不同领域的真实数据集上的实验表明，RNS比最新的最先进的顺序推荐模型获得了显着的性能改善。
2019-07-01 cs.IR
Knowledge-aware Collaborative Filtering with Pre-trained Language Model for Personalized Review-based Rating Prediction
East China Normal University（华东师范大学）；Shanghai Institute for AI Education（上海人工智能教育研究院）；Tsinghua University（清华大学）；Jiangsu Normal University（江苏师范大学）；Jiangsu Collaborative Innovation Center for Language Ability（江苏语言能力协同创新中心）
本文提出 KCF-PLM 方法，通过融合评论细粒度方面、知识图谱与预训练语言模型来建模用户-物品交互，并在多个公开数据集上验证了其在基于评论的评分预测中的有效性。
2023-08-02 cs.AI cs.IR
