A Drug Recommendation System (Dr.S) for cancer cell lines
Centrum Wiskunde & Informatica（数学与计算机科学中心）；Utrecht University（乌得勒支大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Maastricht University Medical Centre+（马斯特里赫特大学医学中心+）
基于基因组信息的癌症护理中的个性化药物处方需要将基因组标记与处理效应相关联。这是一个尚未解决的挑战，需要基因组患者数据在尚未获得的卷以及适当的定量方法。我们试图解决这个挑战的实验代理，其中有足够的数据：42种药物测试1018癌细胞系。我们的目标是开发一种方法，以确定药物是最有前途的基础上细胞系的基因组信息。为此，我们需要为每种药物确定机器学习方法，选择超参数和基因组特征以获得最佳预测性能。我们广泛比较了所有42种药物的基因集（策划和随机），遗传特征和机器学习算法的组合。对于每种药物，选择表现最好的组合（仅考虑策划的基因集）。我们使用每种药物的这些顶级模型参数来构建和演示药物推荐系统（Dr.S）。从这种分析中得出的见解被制定为开发药物推荐系统的最佳实践。完整的软件系统，称为细胞系分析仪，是用Python编写的，可以在github上找到。
2019-12-24 cs.LG q-bio.GN q-bio.QM
COVID-19 on YouTube: A Data-Driven Analysis of Sentiment, Toxicity, and Content Recommendations
Emory University（埃默里大学）；South Dakota School of Mines and Technology（南达科他矿业理工学院）
本研究通过VADER、Detoxify和LDA分析YouTube上COVID-19视频的情感、毒性与主题，并构建基于TF-IDF和余弦相似度的内容推荐系统，总覆盖率达69%，为理解疫情话语与促进负责任内容提供了框架。
2024-12-22 cs.AI cs.CL cs.CY
PREMIER: Personalized REcommendation for Medical prescrIptions from Electronic Records
National University of Singapore（新加坡国立大学）
电子健康记录（EHR）的广泛采用导致了大量关于患者病史、诊断、处方和实验室测试的数据的积累。推荐技术的进步有可能利用这些信息来帮助医生个性化处方药物。在这项工作中，我们设计了一个两阶段的注意力为基础的个性化药物推荐系统称为PREMIER，它结合了来自EHR的信息，建议一组药物。我们的系统考虑了药物之间的相互作用，以尽量减少对患者的不良影响。我们利用系统中的各种注意力权重来计算来自信息源的对推荐药物的贡献。MIMIC-III和专有门诊数据集的实验结果表明，PREMIER优于最先进的药物推荐系统，同时实现了准确性和药物相互作用之间的最佳权衡。还介绍了两个案例研究，证明PREMIER提供的理由是适当的，并与临床实践相一致。
2020-08-28 cs.IR cs.LG
Emotion-Driven Personalized Recommendation for AI-Generated Content Using Multi-Modal Sentiment and Intent Analysis
University of Electronic Science and Technology of China（电子科技大学）；Columbia Business School, Columbia University（哥伦比亚大学哥伦比亚商学院）；New York University（纽约大学）
本研究提出基于多模态情感与意图分析的情绪驱动个性化推荐模型，通过融合视觉、听觉和文本信息提升推荐效果，实验显示在F1得分和损失上均有显著提升。
2025-11-25 cs.AI cs.HC cs.IR
ALGNet: Attention Light Graph Memory Network for Medical Recommendation System
University of Science, VNU-HCM（胡志明市国家大学科学大学）；Vietnam National University, Ho Chi Minh City（胡志明市国家大学）
针对现有药物推荐方法难以捕捉医疗记录、药物特性与DDI间复杂动态关联的问题，提出融合LGCN与AMN的ALGNet模型，在MIMIC-III数据集上实现了更优推荐效果，兼具低计算量与高可解释性。
2023-12-09 cs.AI cs.LG cs.MM
A Comprehensive Overview of Recommender System and Sentiment Analysis
Universiti Kebangsaan Malaysia（马来西亚国民大学）；Taiz University（塔伊兹大学）
推荐系统在许多领域都有着重要的作用，被广泛应用于各个领域。大多数传统的推荐系统依赖于由用户给出的数字评级，以反映他对消费项目的意见，然而，这些评级是在许多领域不可用。因此，在推荐过程中纳入了由用户生成的评论表示的新信息源，以弥补这些评级的不足。评论包含与整个项目或可以使用情感分析字段提取的特定特征相关的大量信息。本文给出了一个全面的概述，以帮助研究人员谁的目标是与推荐系统和情感分析。它包括推荐系统概念的背景，包括推荐系统中使用的阶段，方法和性能指标。然后，讨论了情感分析的概念，重点介绍了情感分析的主要内容，包括层次、方法，并重点介绍了基于方面的情感分析。
2021-09-18 cs.AI cs.IR
Complex Networks and the Drug Repositioning Problem
本研究通过分析复杂网络属性，提出利用网络结构优化药物再定位策略，以应对忽视热带疾病。
2026-02-26 cs.LG q-bio.MN
Collaborative Intelligence in Sequential Experiments: A Human-in-the-Loop Framework for Drug Discovery
University of California Berkeley（加州大学伯克利分校）；Shanghai Jiao Tong University（上海交通大学）；University of Washington（华盛顿大学）
本文提出一种人在环序贯实验框架，将人类专家知识与深度学习算法结合用于药物发现，实验证明其优于纯人类或纯算法基线，并能显著加速新药和疫苗开发。
2024-05-07 cs.AI cs.HC cs.LG
Knowledge-Driven New Drug Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）；Zhejiang University（浙江大学）；Northwestern University（西北大学）；IQVIA（艾昆纬）
药物推荐帮助医生根据患者的健康状况为他们开个性化的药物。现有的药物推荐解决方案采用有监督的多标签分类设置，并且仅适用于具有来自许多患者的足够处方数据的现有药物。然而，新批准的药物没有太多的历史处方数据，无法利用现有的药物推荐方法。为了解决这个问题，我们制定了新的药物推荐作为一个少样本学习的问题。然而，直接应用现有的少样本学习算法面临两个挑战：（1）疾病和药物之间的复杂关系，以及（2）大量符合条件但尚未使用新药的假阴性患者。为了应对这些挑战，我们提出了EDGE，它可以快速适应来自少数支持患者的有限处方数据的新药推荐。EDGE保持药物依赖性多表型Few-Shot学习者，以弥合现有药物和新药之间的差距。具体而言，EDGE利用药物本体将新药与具有相似治疗效果的现有药物联系起来，并学习基于本体的药物表示。这种药物表示用于定制表型驱动的患者表示的度量空间，其由捕获复杂患者健康状态的一组表型组成。最后，EDGE使用外部药物-疾病知识库消除假阴性监督信号。我们在两个真实世界的数据集上评估EDGE：公共EHR数据（MIMIC-IV）和私人工业索赔数据。结果显示，EDGE在ROC-AUC评分上比最佳基线提高了7.3%。
2022-10-11 cs.AI cs.IR cs.LG
Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients
University of Science and Technology of China（中国科学技术大学）
本文提出 RAREMed 模型，通过预训练-微调范式与两个自监督任务提升罕见病药物推荐的准确性，从而缓解现有药物推荐系统对罕见病患者不公平的问题。
2024-08-11 cs.LG
An AutoML-based Approach to Multimodal Image Sentiment Analysis
Universidade da Beira Interior（贝拉内陆大学）；INESC TEC – Institute for Systems and Computer Engineering, Technology and Science（系统与计算机工程、技术与科学研究所）
情感分析是一个研究主题，专注于分析数据以提取与其引起的情感相关的信息。情感分析的应用范围很广，从推荐系统、市场营销到客户满意度。最近的方法使用在大型语料库上训练的机器学习技术来评估文本内容。然而，随着社交媒体的发展，其他数据类型大量涌现，比如图像。图像中的情感分析已被证明是文本数据的有价值的补充，因为它能够通过创建上下文和连接来推断潜在的消息极性。多模态情感分析方法旨在利用文本和图像内容的信息来执行评估。尽管最近取得了进展，但目前的解决方案仍然在结合图像和文本信息对社交媒体数据进行分类方面苦苦挣扎，这主要是由于主观性，类间同质性和融合数据差异。在本文中，我们提出了一种方法，结合文本和图像的个人情感分析到一个最终的融合分类AutoML的基础上，执行随机搜索，以找到最佳的模型。我们的方法在B-T4 SA数据集中达到了最先进的性能，准确率为95.19%。
2021-02-16 cs.AI cs.CV cs.LG
CafeMed: Causal Attention Fusion Enhanced Medication Recommendation
Department of Computer Science and Engineering, Hanyang University（韩阳大学计算机科学与工程系）；Department of Applied Artificial Intelligence, Hanyang University（韩阳大学应用人工智能系）
针对现有药物推荐方法未建模医疗实体协同效应、静态因果关系无法适配患者个体状态的问题，本文提出融合动态因果推理与跨模态注意力的CafeMed框架，在MIMIC系列数据集上取得了更优的推荐准确率与更低的药物相互作用率。
2025-11-18 cs.AI cs.LG stat.ME
Drug Package Recommendation via Interaction-aware Graph Induction
University of Science and Technology of China（中国科学技术大学）；Huawei Technologies（华为技术有限公司）；The First Affiliated Hospital of USTC（中国科学技术大学附属第一医院）
近年来，海量电子病历的快速积累为药品推荐等智能医疗服务提供了有力支撑。然而，现有技术主要遵循传统的推荐策略，如协同过滤，其通常将单个药物视为相互独立的，而药物之间的潜在相互作用，例如，协同或拮抗作用，在很大程度上被忽略了。为此，在本文中，我们的目标是开发一个新的模式，考虑药物之间的相互作用的影响，其中的相互作用的影响可能会受到病人的条件下的药物包装推荐。具体来说，我们首先设计了一种基于神经协同过滤的预训练方法，以获得患者和药物的初始嵌入。然后，基于医疗记录和领域知识初始化药物相互作用图。沿着这条线，我们提出了一个新的药品包装推荐（DPR）框架，有两个变种，分别是加权图上的DPR（DPR-WG）和属性图上的DPR（DPR-AG）来解决这个问题，其中每个相互作用将被描述为有符号的权重或属性向量。详细地，利用掩模层来捕获患者状况的影响，并且利用图神经网络（GNN）用于最终的图归纳任务以嵌入包。在一家一流医院的真实数据集上进行的大量实验表明，与几种有竞争力的基线方法相比，我们的DPR框架是有效的，并进一步支持了具有足够性能的药品包生成任务的启发式研究。
2021-02-06 cs.AI cs.IR cs.LG
Drug Recommendation toward Safe Polypharmacy
Indiana University - Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）；University of Pennsylvania（宾夕法尼亚大学）；Ohio State University（俄亥俄州立大学）
由多种药物引起的高阶药物相互作用（DDI）引起的药物不良反应（ADR）是一个重要的公共卫生问题。在本文中，我们正式制定了避免和安全（相对于ADR）的药物推荐问题时，多种药物已同时采取。我们开发了一个联合模型，其中包含推荐组件和ADR标签预测组件，用于为处方推荐一组避免药物，如果与处方一起服用，这些药物将引起ADR。我们还开发了真实的药物相互作用数据集和相应的评估协议。我们在真实数据集上的实验结果表明，与其他基线方法相比，联合模型具有较强的性能。
2018-03-08 cs.IR cs.LG
Fast Dual-Regularized Autoencoder for Sparse Biological Data
University of Northern Iowa（北爱荷华大学）
本文提出一种基于线性模型扩展的浅层自编码器，用于双邻域正则化矩阵补全，在药物-靶点相互作用和药物-疾病关联预测中展现出速度和准确性优势。
2024-03-13 cs.LG
Transfer-based adaptive tree for multimodal sentiment analysis based on user latent aspects
Iran University of Science and Technology（伊朗科技大学）；Sohar University（苏哈尔大学）；University of Queensland（昆士兰大学）
多模态情感分析在人机交互、推荐系统等领域有着广泛的应用前景。它的目的是推断用户的两极想法使用视觉，文字和声音信号。虽然研究人员肯定的认知线索和情感表现之间的联系，大多数当前的多模态方法在情感分析忽视用户特定的方面。为了解决这个问题，我们设计了一种新的方法来执行多模态情感预测使用认知线索，如个性。我们的框架通过分层划分用户和训练基于LSTM的子模型来构建自适应树，利用基于注意力的融合来传递树内的认知导向知识。随后，该框架消耗来自自适应树的结论性凝聚知识来预测最终情感。我们还设计了一个动态的丢弃方法，以促进相邻节点之间的数据共享，减少数据稀疏。在真实世界数据集上的实证结果表明，我们提出的情感预测模型可以超越趋势竞争对手。此外，与其他集成方法相比，所提出的基于迁移的算法可以更好地利用潜在的认知线索，促进预测结果。基于给定的外在和内在的分析结果，我们注意到，相比其他理论为基础的技术，所提出的层次聚类方法可以更好地组内的自适应树的用户。
2021-06-27 cs.DB cs.IR cs.LG
MusicMood: Predicting the mood of music from song lyrics using machine learning
Michigan State University（密歇根州立大学）
当代音乐的情感预测在现代社会中有着广泛的应用，例如，为医院或餐馆等公共机构选择音乐，以分别潜在地改善工作人员、患者和客户的情感健康。在这个项目中，音乐推荐系统建立在朴素贝叶斯分类器的基础上，经过训练，仅根据歌词来预测歌曲的情感。实验结果表明，音乐对应于一个快乐的心情可以检测到高精度的基础上获得的文本特征的歌词。
2016-11-01 cs.CL cs.IR cs.LG
Traceable Drug Recommendation over Medical Knowledge Graphs
Southwest Jiaotong University（西南交通大学）；Max Planck Institute for Informatics（马克斯·普朗克研究所（信息学））
提出TraceDR系统，基于医学知识图谱在多任务学习框架下同时预测药物推荐和证据，实现可追溯性，并发布新的大规模测试平台DrugRec。
2025-10-31 cs.IR cs.LG
Improving News Recommendations through Hybrid Sentiment Modelling and Reinforcement Learning
University of Pretoria（比勒陀利亚大学）
本文通过混合情感分析与强化学习方法，改进新闻推荐系统，提升个性化和情感匹配能力。
2025-12-08 cs.IR
Adaptive Quality-Diversity Trade-offs for Large-Scale Batch Recommendation
Kyoto University（京都大学）；Inria Paris Saclay（巴黎萨克雷研究所）
本文提出B-DivRec算法，通过结合确定性点过程和模糊去噪方法，在大规模推荐中实现自适应的质量-多样性权衡，提升用户参与度和推荐效果。
2026-02-02 cs.IR cs.LG
NRBdMF: A recommendation algorithm for predicting drug effects considering directionality
The University of Tokyo（东京大学）
根据已批准药物的信息预测药物的新效应可以被视为推荐系统。矩阵因子分解是最常用的推荐系统之一，已经为它设计了各种算法，文献调查和现有的预测药物效果的算法的总结表明，大多数这样的方法，包括邻域正则化逻辑矩阵因子分解，这是在基准测试中表现最好的，使用一个二进制矩阵，只考虑存在或不存在的相互作用。然而，已知药物作用具有两个相反的方面，例如副作用和治疗作用。在本研究中，我们提出了使用邻域正则化双向矩阵分解（NRBdMF）预测药物效应，通过纳入双向性，这是药物效应的特征属性。我们使用这种提出的方法来预测副作用，使用一个考虑药物作用双向性的矩阵，其中已知的副作用被分配一个阳性标签（加1），已知的治疗效果被分配一个阴性（减1）标签。利用药物双向信息的NRBdMF模型在预测列表的顶部实现了副作用的富集，在底部实现了适应症的富集。首次尝试使用NRBdMF考虑药物作用的双向性质，表明它减少了假阳性，并产生了高度可解释的输出。
2023-01-13 cs.IR cs.LG q-bio.QM
G2DR: A Genotype-First Framework for Genetics-Informed Target Prioritization and Drug Repurposing
School of Chemistry and Molecular Biology（化学与分子生物学学院）；The University of Queensland（昆士兰大学）；Baker Heart and Diabetes Institute（贝克心脏病与糖尿病研究所）
G2DR通过基因组优先策略整合多种证据，提升疾病目标和药物假说的优先级排序，其在偏头痛案例中展示了高预测性能和生物学富集性。
2026-03-20 cs.LG q-bio.GN
Movie Recommendation System using Sentiment Analysis from Microblogging Data
推荐系统是一种重要的智能系统，在为用户提供选择性信息方面起着至关重要的作用。推荐系统中的传统方法包括协同过滤和基于内容的过滤。然而，这些方法有一定的局限性，如需要先前的用户历史和习惯来执行推荐任务。为了减少这种依赖性的影响，本文提出了一种混合推荐系统，它结合了协同过滤，基于内容的过滤和情感分析的电影推文。电影推文是从微博网站收集的，以了解电影的当前趋势和用户反应。在公共数据库上进行的实验产生了令人满意的结果。
2018-11-27 cs.IR cs.SI
DNMDR: Dynamic Networks and Multi-view Drug Representations for Safe Medication Recommendation
School of Information Science and Engineering, Shandong Normal University（山东师范大学信息科学与工程学院）；Shandong Provincial Key Laboratory for Distributed Computer Software Novel Technology（山东省分布式计算机软件新技术重点实验室）；State Key Laboratory of High-end Server and Storage Technology（高端服务器与存储技术国家重点实验室）
针对现有用药推荐方法存在的动态关联缺失与DDI风险问题，提出融合动态网络与多视图药物表示的DNMDR方法，可生成全面患者表示与安全药物表示，在多项指标上优于现有基线。
2025-01-15 cs.IR cs.LG
SMR: Medical Knowledge Graph Embedding for Safe Medicine Recommendation
Shanghai Shuguang Hospital Affiliated to Shanghai University of Traditional Chinese Medicine（上海中医药大学附属曙光医院）；Southeast University（东南大学）；Tongji University（同济大学）；The University of Queensland（昆士兰大学）；Xi’an Jiaotong University（西安交通大学）
大多数现有的主要基于电子病历（EMR）的药物推荐系统正在显著地帮助医生做出更好的临床决策，使患者和护理人员受益。尽管在大数据时代电子病历的增长速度非常快，但电子病历中的内容限制限制了现有的推荐系统，以反映相关的医学事实，如药物相互作用。许多包含药物相关信息的医学知识图谱，如DrugBank，可能会给推荐系统带来希望。然而，这些知识图谱在系统中的直接使用遭受由图的不完整性引起的鲁棒性。为了解决这些挑战，我们站在图嵌入学习技术的最新进展，并在本文中提出了一个新的框架，称为安全医学推荐（SMR）。具体来说，SMR首先通过桥接EMR（MIMIC-III）和医学知识图谱（ICD-9本体和DrugBank）来构建高质量的异构图。然后，SMR将疾病、药物、患者及其对应关系共同嵌入到共享的低维空间中。最后，SMR使用嵌入将药物推荐分解为链接预测过程，同时考虑患者的诊断和药物不良反应。据我们所知，SMR是世界上第一个学习患者-疾病-药物图嵌入的药物推荐。在真实数据集上进行了大量的实验，以评估所提出的框架的有效性。
2020-11-29 cs.AI cs.IR
Amplifying Aspect-Sentence Awareness: A Novel Approach for Aspect-Based Sentiment Analysis
Beihang University（北京航空航天大学）；University of Chinese Academy of Sciences（中国科学院大学）；Jigawa State Institute of Information Technology（吉加瓦州信息技术学院）
针对ABSA中方面与上下文关联不足及句法信息融合难题，本文提出A3SN，通过增强方面-句子感知注意力与门控融合提升语义建模，并在三个基准上超越SOTA模型。
2024-10-26 cs.AI cs.CL
Explanation as a Defense of Recommendation
University of Virginia（弗吉尼亚大学）；Alibaba Group（阿里巴巴集团）
文本解释已被证明有助于提高用户对机器推荐的满意度。然而，目前的主流解决方案松散地将解释学习与推荐学习联系起来：例如，它们通常被单独建模为评级预测和内容生成任务。在这项工作中，我们建议加强他们的联系，通过执行的想法之间的情感一致的建议和相应的解释。在训练时，这两个学习任务由潜在情感向量连接，该向量由推荐模块编码并用于为解释生成进行单词选择。在训练和推理时，解释模块都需要生成与推荐模块预测的情感相匹配的解释文本。大量的实验表明，我们的解决方案在推荐和解释任务中优于一组丰富的基线，特别是在其生成的解释的质量提高。更重要的是，我们的用户研究证实，我们生成的解释可以帮助用户更好地识别推荐项目之间的差异，并理解为什么推荐项目。
2021-01-24 cs.AI cs.CL cs.IR
Recommending Insurance products by using Users' Sentiments
Amity University Kolkata（阿米蒂大学加尔各答分校）
在当今技术娴熟的世界里，每个行业都在试图通过结合多种技术和算法来形成一个池，从而提出最增强的预测模型，从而制定推荐产品的方法。在此基础上，本文重点研究了情感分析在保险领域的应用。我们尝试构建以下机器学习模型，即逻辑回归、多项式朴素贝叶斯和强大的随机森林，用于分析客户给出的给定反馈线的极性。然后，我们使用这个极性以及其他属性，如年龄，性别，地点，收入，以及现有客户已经购买的其他产品列表作为我们推荐模型的输入。然后，我们将极性得分与用户的配置文件进行匹配，并按降序生成要推荐的保险产品列表。尽管我们的模型很简单，而且缺乏关键数据集，但结果似乎非常符合逻辑和现实。因此，通过开发具有更多增强方法的模型，并访问从保险行业收集的更好和真实的数据，该行业可能会从情感分析与建议的合并中受益匪浅。
2021-08-05 cs.AI cs.CY cs.IR
Social Media Analysis for Product Safety using Text Mining and Sentiment Analysis
越来越多的伪造事件和相关的经济和健康后果要求开发能够为反伪造斗争中的所有利益相关者提供及时和可靠信息的主动监测系统。来自社交媒体平台的用户生成内容可以提供有关产品过敏、不良事件和产品假冒的早期线索。本文报告了一项正在进行的工作，其贡献包括：使用机器学习、文本挖掘和情感分析，开发用于收集和分析药品和化妆品用户的观点和体验的框架，将所提出的框架应用于Facebook评论和来自Twitter的数据，以进行品牌分析，以及如何开发产品安全词典和训练数据以用于对用于药品和化妆品情感预测的机器学习分类器进行建模的描述。最初的品牌和产品比较结果表明了文本挖掘和对社交媒体数据的情感分析的有用性，而使用机器学习分类器来预测情感取向为用户、产品制造商、监管和执法机构提供了有用的工具来监控品牌或产品情感趋势，以便在负面情感突然或显著上升的情况下采取行动。
2015-10-18 cs.IR cs.SI
Beyond Satisfaction: Learning Associations Between Content, Reviews, and Well-Being
Vanderbilt University（范德比大学）；University of Oxford（牛津大学）；Cosmos Institute（宇宙研究所）
研究常用满意度信号能否反映幸福感及何种内容与不同幸福感结果相关，以书籍消费为对象，发现评分等与幸福感关联松散，特定主题与不同幸福感相关，为内容推荐系统提供新目标。
2026-07-07 cs.CL cs.LG cs.SI
Reading the Mood: Emotion-Guided Book-to-Music Recommendation via CGANs and LLMs
National Technical University of Athens（雅典国家技术大学）；National & Kapodistrian University of Athens（雅典国立卡波迪斯特里安大学）
提出SAGA-CDR框架，利用CGAN和LLM实现情绪引导的书籍到音乐推荐，在Amazon和Douban数据集上取得最优评分预测精度。
2026-10-06 cs.CL cs.IR cs.LG
Disentangling Likes and Dislikes in Personalized Generative Explainable Recommendation
University of California San Diego（加州大学圣地亚哥分校）；ZOZO Research（ZOZO研究）；Waseda University（早稻田大学）；University of Southern California（南加州大学）；Chiba Institute of Technology（千叶科学技术大学）；The Hong Kong University of Science and Technology（香港科技大学）
本文指出生成式可解释推荐忽略了用户购买后情感，为此构建了关注用户情感的新数据集和评估方法，发现现有模型在传统指标上的表现与情感对齐度无关，但直接输入预测评分能提升解释的情感感知能力。
2025-06-02 cs.AI cs.CL cs.IR
Enhancing Pharmacovigilance with Drug Reviews and Social Media
University of California, Berkeley（加州大学伯克利分校）
本文探讨了是否可以利用药物评论和社交媒体作为药物不良反应（ADR）药物警戒的潜在替代来源。我们检查了BERT的性能以及在生物医学论文BioBERT 7和临床笔记Clinical BERT 8上训练的两个变体。对各种8种不同的BERT模型进行微调，并在三个不同的任务中进行比较，以评估它们在ADR任务中彼此的相对表现。这些任务包括药物评论的情感分类、Twitter帖子中ADR的存在以及Twitter帖子中ADR的命名实体识别。BERT在所有三种不同的药物警戒相关任务中表现出高性能的灵活性。
2020-04-18 cs.CL cs.IR cs.LG
RES-MR: Risk-Aware Reasoning for Explainable and Safe Medication Recommendation
Shandong Computer Science Center (National Supercomputer Center in Jinan)（山东省计算机科学中心（国家济南超级计算中心））；Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；Shandong Fundamental Research Center for Computer Science（山东省计算机科学基础研究中心）；University of Technology Sydney（悉尼科技大学）
RES-MR是基于LLM的风险感知推理框架，通过两阶段训练解决药物推荐的黑箱问题与固定安全约束缺陷，在基准数据集上的准确性、安全性和可解释性均优于现有方法。
2026-10-14 cs.AI cs.IR cs.LG
Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions
Rappi AI Research（Rappi人工智能研究院）
在这项工作中，我们提出了一个框架，完全依赖于基于聊天的客户支持（CS）的互动预测个人用户的推荐决策。在我们的案例研究中，我们分析了拉丁美洲一家大型电子商务公司的金融垂直领域内的1640万用户和4870万客户支持对话。因此，我们的主要贡献和目标是使用自然语言处理（NLP）来评估和预测推荐行为，除了使用静态情感分析，我们还利用每个用户的情感动态的预测能力。我们的研究结果表明，与各自的功能可解释性，它是可以预测的可能性，用户推荐的产品或服务，完全基于他们的CS对话的消息明智的情绪演变在一个完全自动化的方式。
2022-11-08 cs.CL cs.IR cs.LG
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
Highly Relevant Routing Recommendation Systems for Handling Few Data Using MDL Principle and Embedded Relevance Boosting Factors
如果路线推荐系统还考虑收集的用户评论，则它可以提供更好的推荐，例如，通常获得正面评论的地方可能是优选的。然而，为了对情感进行分类，当今存在的许多分类算法在处理诸如简短的书面评论之类的小数据项时受到影响。在本文中，我们提出了一个强相关的路线推荐系统，是基于一个基于MDL（最小描述长度）的情感分类模型，并表明这样的系统是能够处理小数据项（短用户评论）。该模型的另一个亮点是在相关性计算中包含一组提升因子，以提高实现该模型的任何推荐系统中的相关性。
2018-06-13 cs.IR
Understanding Public Opinion on Using Hydroxychloroquine for COVID-19 Treatment via Social Media
羟氯喹（HCQ）用于预防或治疗由蚊子叮咬引起的疟疾。最近，该药物被建议用于治疗COVID-19，但尚未得到科学证据的支持。有关药物疗效的信息充斥着社交网络，通过歪曲他们对药物疗效的看法，对社区构成潜在威胁。本文通过分析推文的反应模式和情绪，研究社交网络用户对使用HCQ治疗COVID-19的建议的反应。我们从2020年2月至12月收集了164，016条推文，并使用文本挖掘方法来识别社会反应模式和意见随时间的变化。我们的描述性分析发现，用户的反应模式与HCQ和COVID-19治疗发展的社交和新闻推送密切相关。该研究将推文和谷歌搜索频率联系起来，以揭示当地社区对不同州使用HCQ治疗COVID-19的观点。此外，我们的推文情感分析显示，公众对使用HCQ治疗COVID-19的建议的意见随着时间的推移发生了显著变化。数据显示，早期的支持率很高，但在10月份显着下降。最后，使用人类对4，850条推文的手动分类作为我们的基准，我们的情感分析表明，Google Cloud自然语言算法在分类推文方面优于Valence Aware Dictionary和social Reasoner，特别是在讽刺推文组中。
2022-01-01 cs.IR cs.SI
An Intelligent Data Analysis for Hotel Recommendation Systems using Machine Learning
本文提出了一种智能的方法来处理异构和大规模的数据，使用机器学习，以产生真正的建议，为未来的客户。协同过滤（CF）方法是RS生成推荐的最流行的技术之一。提出了一种新的CF推荐方法，该方法使用基于观点的情感分析，通过极性识别获得酒店特征矩阵。我们的方法结合了词法分析，语法分析和语义分析，以了解对酒店特色和客户类型（单人，家庭，情侣等）的分析。建议的系统推荐酒店的基础上，酒店的特点和客户类型作为个性化推荐的附加信息。开发的系统不仅具有使用大数据Hadoop平台处理异构数据的能力，而且还基于客人类型使用模糊规则推荐酒店等级。在从两个酒店网站获得的真实世界数据集上进行了不同的实验。此外，精确度和召回率和F-测量值已被计算和结果进行了讨论，在提高准确率和响应时间，显着优于传统的方法。
2019-10-15 cs.IR
Machine Learning for Food Review and Recommendation
Nanyang Technological University（南洋理工大学）
食品评论和建议一直是在线食品服务网站的重要组成部分。然而，评论和推荐食物并不简单，因为它可能会被不同的上下文和含义所淹没。在本文中，我们使用不同的深度学习方法来解决情感分析、自动评论标签生成和食品评论检索等问题。我们建议在南洋理工大学（NTU）开发一个基于网络的食品评论系统，名为NTU Food Hunter，它结合了不同的深度学习方法，帮助用户选择食物。首先，我们将BERT和LSTM深度学习模型实现到食品评论的情感分析系统中。然后，我们开发了一个词性（POS）算法来自动识别和提取的评论内容的形容词-名词对的评论标签生成的基础上词性标注和依存句法分析。最后，我们还训练了一个RankNet模型，用于对检索结果进行重新排序，以提高基于Solr的食品评论搜索系统的准确性。实验结果表明，我们提出的深度学习方法是有前途的实际问题的应用。
2022-01-15 cs.CL cs.IR cs.LG
A Capsule Network for Recommendation and Explaining What You Like and Dislike
用户评论包含了丰富的语义，反映了用户对项目特征的偏好。近年来，许多基于深度学习的解决方案通过利用评论进行推荐而被提出。这些工作主要是采用注意机制来识别对评分预测很重要的词或方面。然而，在不检查评论细节的情况下，仍然难以根据用户持有什么观点以及到什么程度来理解用户是喜欢还是不喜欢项目的方面。这里，我们考虑由用户持有的视点和项目的方面的对作为逻辑单元。通过从评论中发现信息逻辑单元并解析其对应的情感来推理评级行为，可以实现更好的评级预测和解释。为此，本文提出了一种基于胶囊网络的用户评论评分预测模型CARP。对于每个用户-条目对，CARP被设计为从评论中提取信息逻辑单元并推断出它们对应的情感。该模型首先分别从用户和项目评审文档中提取出观点和方面。然后根据逻辑单元的构成观点和方面，推导出每个逻辑单元的表示。提出了一种基于双向协议路由机制的情感胶囊结构，用于识别用户-条目级的信息逻辑单元和情感表示，并进行评分预测。在7个具有不同特征的真实数据集上进行了广泛的实验。实验结果表明，该方法在预测精度上优于现有的预测模型.进一步的分析表明，该模型能够在更细的粒度上发现可解释的原因。
2019-07-01 cs.IR
Large Language Model Distilling Medication Recommendation Model
Xi'an Jiaotong University（西安交通大学）；City University of Hong Kong（香港城市大学）；Jarvis Research Center, Tencent YouTu Lab（腾讯优图实验室贾维斯研究中心）；Southern University of Science and Technology（南方科技大学）；Jilin University（吉林大学）
针对现有药物推荐模型忽略语义及首次就诊患者缺乏历史记录的问题，提出LEADER框架，利用大语言模型生成推荐并结合知识蒸馏技术转移至轻量模型，在MIMIC数据集上验证了有效性与高效性。
2025-01-27 cs.AI cs.IR cs.LG
Explainable Recommendation: Theory and Applications
虽然个性化推荐已经被研究了几十年，潜在因素模型（LFM）的广泛采用使得推荐的可解释性成为研究界和推荐系统实际应用的关键问题。例如，在许多实际系统中，该算法仅向用户提供个性化的项目推荐列表，而没有关于为什么这样的项目被推荐而另一个项目不被推荐的有说服力的个性化解释。不可解释的推荐会对推荐系统的可信度产生负面影响，从而影响推荐引擎的有效性。本文从数据可解释性、模型可解释性和结果可解释性三个方面对可解释性推荐进行了研究，主要贡献如下：1。数据可解释性：我们提出了基于局部矩阵分解（LMF）框架的Bordered Block Diagonal Form（BBDF）矩阵，并进一步将该技术应用于并行矩阵分解。2.模型可解释性：我们提出了基于短语级情感分析的显式因素模型（EFM），以及基于时间序列分析的动态用户偏好建模。在这项工作中，我们提取产品的功能和用户意见对不同的功能，从大规模的用户文本评论的基础上短语级的情感分析技术，并介绍了EFM方法的可解释模型学习和推荐。3.经济可解释性：我们提出了总盈余最大化（TSM）的个性化推荐框架，以及在不同类型的在线应用程序的模型规范。基于基本的经济学概念，给出了Web服务应用场景中效用、成本和剩余的定义，提出了Web服务总剩余计算和最大化的一般框架。
2017-08-21 cs.IR
Sentiment Analysis of Review Datasets Using Naive Bayes and K-NN Classifier
Heritage Institute of Technology（遗产技术学院）；Institute of Engineering & Management（工程与管理学院）
Web 2.0的出现导致了Web中可用的情感内容数量的增加。这样的内容通常以电影或产品评论、用户评论、推荐、论坛中的消息等形式出现在社交媒体网站中。及时发现情感或固执己见的网络内容具有许多优点，其中最重要的是货币化。了解大众对不同实体和产品的情感，可以为上下文广告、推荐系统和市场趋势分析提供更好的服务。我们项目的重点是情感集中的网络爬行框架，以方便快速发现电影评论和酒店评论的情感内容，并进行分析。我们使用统计方法来捕捉主观风格和句子极性的元素。本文详细讨论了两种有监督的机器学习算法：K-最近邻（K-NN）和朴素贝叶斯（Naive Bayes），并比较了它们的总体准确率、精确率和召回率。可以看出，在电影评论的情况下，朴素贝叶斯给出了比K-NN好得多的结果，但对于酒店评论，这些算法给出了较少的，几乎相同的准确性。
2016-10-31 cs.CL cs.IR
Beyond a Single Story: Meta-Reviewing Sparse and Incomplete User-generated Contents for Recommendation
Nanyang Technological University（南洋理工大学）
本文针对推荐系统中用户生成内容的稀疏与不完整问题，提出MOSAIC模型，通过聚合邻居用户评论的属性-情感证据构建元评审，结合MMoE与注意力模块提升推荐准确率与解释质量，在多数据集上优于现有基线。
2026-08-28 cs.IR
Towards Deep Conversational Recommendations
Ecole Polytechnique de Montréal（蒙特利尔综合理工学院）；Element AI（元素人工智能公司）；Microsoft Research Montreal（微软研究院蒙特利尔分院）；Université de Montréal（蒙特利尔大学）；Mila（米拉）；HEC Montréal（蒙特利尔高等商学院）
人们对使用神经网络和深度学习技术来创建对话系统的兴趣越来越大。会话推荐是一种有趣的设置，用于科学探索与自然语言的对话，因为相关的话语涉及目标驱动的对话，通常会自然地转换为更自由形式的聊天。本文提供了两个贡献。首先，到目前为止，还没有公开的大规模数据集，包括围绕建议的真实对话。为了解决这个问题并促进我们在这里的探索，我们收集了ReDial，这是一个由超过10，000个围绕提供电影推荐主题的对话组成的数据集。我们将这些数据提供给社区进行进一步的研究。其次，我们使用这个数据集来探索会话推荐的多个方面。特别是，我们探索新的神经架构，机制和方法，适合组成会话式推荐系统。我们的数据集使我们能够系统地探测模型子组件，解决整个问题领域的不同部分，从情感分析和冷启动推荐生成到自然语言如何在现实世界中使用的详细方面。我们将这些子组件组合成一个完整的对话系统，并检查其行为。
2019-03-04 cs.CL cs.IR cs.LG
Review Mining for Feature Based Opinion Summarization and Visualization
Jamia Millia Islamia（贾米亚·米利亚伊斯兰大学）
意见挖掘技术在商业智能、产品推荐、目标营销等领域的应用和使用引起了国内外学者的广泛关注。各种研究工作试图从不同粒度级别的客户评论中挖掘意见，包括单词，句子和文档级别。然而，开发一个全自动的意见挖掘和情感分析系统仍然是难以捉摸的。虽然意见挖掘和情感分析系统的发展势头越来越猛，但它们中的大多数都试图执行文档级的情感分析，将评论文档分类为积极的、消极的或中性的。这样的文档级意见挖掘方法无法提供关于用户对产品或服务的个体特征的情感的洞察。因此，如果评论可以在更细粒度的级别上进行处理，并通过一些视觉手段以摘要的形式呈现，突出产品的个人特征和用户对其表达的情感，似乎对客户和制造商都有很大的帮助。在本文中，一个统一的意见挖掘和情感分析框架的设计，提出了在机器学习和自然语言处理方法的交叉点。此外，提出了一种新的特征级审查摘要方案的设计，以可视化挖掘的功能，意见和他们的极性值在一个可理解的方式。
2015-04-23 cs.CL cs.IR
Movie Recommendation System using Composite Ranking
在当今世界，丰富的数字内容，如电子书，电影，视频和文章可供消费。回顾所有可访问的内容并决定下一步看什么是令人生畏的。因此，数字媒体提供商希望利用这种混乱并解决它，以增加用户参与度，最终带来更高的收入。内容提供方经常利用推荐系统作为对抗这种信息过载的有效方法。本文致力于开发一种综合的方法来推荐电影。传统上，电影推荐系统使用协同过滤，其利用用户与媒体的交互，或者基于内容的过滤，其利用电影的可用元数据。技术进步还引入了一种将两种系统集成在一起的混合技术。然而，我们的方法只处理基于内容的建议，进一步加强它与排名算法的基础上内容相似性指标。有助于排名的三个指标是元数据的相似性，视觉内容和电影的用户评论。我们使用文本矢量化，然后对元数据进行余弦相似性，通过预训练的VGG 19进行特征提取，然后对视觉内容进行K均值聚类，并对用户评论进行情感比较。这样的系统允许观众知道“感觉”相同的电影。
2022-12-05 cs.IR cs.MM
Enhancing Recommendation Explanations through User-Centric Refinement
针对传统推荐解释因数据和模型限制无法满足用户对事实性、个性化等需求的问题，本文提出基于大语言模型的多智能体协作优化框架，通过“先规划后优化”模式和分层反思机制提升解释质量，实验验证其有效性。
2025-02-17 cs.IR
SymCERE: Symmetric Contrastive Learning for Robust Review-Enhanced Recommendation
The University of Tokyo（东京大学）；Rakuten Group, Inc.（乐天集团）
SymCERE通过结构几何对齐和对称NCE损失，提升推荐系统在处理假负样本和流行偏见方面的鲁棒性，实验显示NDCG@10提升达43.6%。
2025-12-16 cs.IR
A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond
本文系统综述了哈希标签推荐方法，从传统频率模型到基于Transformer的深度学习，分析了多模态、评估范式及数据稀疏等挑战，并提出了未来研究方向。
2025-03-25 cs.IR
PERS: A Personalized and Explainable POI Recommender System
基于位置的社交网络（LBSN）（例如，Facebook）有很多因素（例如，评级，签到时间等）。这对兴趣点（POI）建议起着至关重要的作用。与评级不同，评论可以帮助用户详细阐述他们的意见，并根据相关的感兴趣因素（方面）分享消费体验的程度。虽然一些现有的推荐系统已经使用了用户评论，但大多数都不太透明和不可解释。这些原因引起了人们对可解释性和可解释性推荐的极大关注。据我们所知，这是第一篇利用用户评论来整合不同方面的情感和意见的个性化和可解释的POI推荐的论文。在本文中，我们提出了一个模型称为PERS（个性化可解释POI推荐系统），模型的评论方面类别的相关性，通过利用深度神经网络，制定了用户方面类别二分关系作为一个二分图，和模型的可解释的推荐使用二分核心和排名为基础的方法。本文的主要贡献是：（i）基于用户通过评论发布的方面对用户和位置进行建模，（ii）利用深度神经网络对评论-方面类别相关性进行建模，（iii）提供多个上下文（例如，分类、空间等）在兴趣点推荐模型中，（iv）将用户对方面类别的偏好表示为二分关系，将其表示为位置-方面类别二分图，并使用基于二分核心和基于排名的方法，利用有序稠密子图提取的概念对可解释推荐进行建模，（v）使用三个真实世界数据集对生成的推荐进行评估。
2017-12-20 cs.IR
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
