论文阅读：Joint Deep Modeling of Users and Items Using Reviews for Recommendation

论文名字

Joint Deep Modeling of Users and Items Using Reviews for Recommendation

来源

年份

2017

作者

Lei Zheng, Vahid Noroozi, Philip S. Y u

核心点

提出基于神经网络的推荐系统模型DeepCoNN

阅读日期

2021.3.11

影响因子

页数

10

引用数

引用

内容总结

文章主要解决的问题及解决方案：

文章的主要工作：

1、作者提出基于神经网络的模型，一种从某个用户的评论中学习到该用户喜好，另一种是从用户对某个商品的评论中学习到该商品的特征和特点。该网络模型被命名为Deep Cooperative Neural Networks (DeepCoNN)，网络由耦合在最后几层的两个并行神经网络组成。

2、网络模型中的交互层是由矩阵分解技术驱动的，以使用户和项目的潜在因素彼此交互。

3、一个关键的贡献是，DeepCoNN使用预训练的词嵌入技术来表示评论文本，以从评论中提取语义信息。

4、模型优点：（1）使用文本评论对用户行为和商品属性进行联合建模。 两个神经网络顶部的额外共享层连接了两个并行网络，因此用户和项目表示可以相互交互以预测收视率。（2）使用预先训练的深度模型将评论文本表示为单词嵌入。实验结果表明，评论的语义和情感态度可以提高评分预测的准确性。（3）不仅通过利用评论缓解了稀疏性问题，而且显著提高了系统的整体性能。

5、模型细节：

该模型由耦合在最后一层的两个并行神经网络组成，一个网络用于用户(Netu)，一个网络用于项目（item）(Neti)。用户评论和项目评论分别作为输入给N个用户和N个项目，输出为相应的评级。

在第一层中，用户或项目的评论文本被表示为单词嵌入矩阵，以捕获评论文本中的语义信息。下一层则是常规的CNN网络，包括卷积层、最大池化层和全连接层。最后在两个网络的顶部增加了一个顶层，让隐藏层的用户和项目的潜在因素相互作用。

图1 模型框架

6、用的三个数据集：Yelp、Amazon、Beer

7、模型评估用MSE(Mean Square Error)，

8、算法流程：首先对一个word embedding的词表进行预训练，对某个用户，将其对所有商品的评论拼接为一个序列，对其中的每个次，在模型的第一层中找对应的向量，最后形成的是一个word embedding的矩阵，作为CNN的输入。经过CNN的全连接层后，由于它们位于不同的特征空间中并无法比较，所以最后有一层共享层，来耦合Netu和Neti。

文章内容：

实验结果：

附录：

参考文献：