利用使用者評論幫助協同過濾的評分預測

Abstract

在推薦系統的研究中，協同過濾是很重要的方法，然而協同過濾存在著冷開始和資料稀疏等問題，所以我們想利用使用者評論來幫助協同過濾並提升評分預測的準確度。在本篇論文中，我們將使用者評論的情緒分數和協同過濾評分結合得到最終的預測評分，但因為評論本身所代表的意義和評分不盡相同，所以會造成評論情緒與評分不一致的狀況。我們提出將不同來源的權重變成一個以特徵為變數的函數，如此便可以讓模型學習如何根據特徵判斷使用者評論和協同過濾何者的重要度比較高。在特徵方面採用了協同特徵、使用者評論特徵與意涵路徑特徵，其中意涵路徑特徵可以為使用者和項目建立連結，這是一般協同過濾方法裡的使用者或項目相似度比較做不到的地方，而意涵路徑特徵在實驗中也發揮很大的效果，是表現最為突出的特徵。在實驗與討論的部分驗證了這個方法在評分預測上的表現、當來源品質不同時的影響、以及評論情緒與評分的不一致性，還有分析各種特徵對模型的重要程度。實驗結果顯示我們提出的來源權重函數能夠根據不同來源品質產生適當的權重分配，在預測評分的部份，我們的方法也贏過所有其他比較的方法。

Collaborative filtering (CF) is widely used in recommender systems. However, it suffers from cold-start problem and data sparsity problem. In this work, we take user reviews into consideration to help with CF performance. We combine sentiment of user reviews and predicted ratings of CF in rating prediction model through a source weighting function. The main idea is to use features to decide which source, the review or CF, is more reliable. There are three kinds of features in the model, collaborative features, user review features, and meta-path features. Unlike traditional user or item similarity, meta-path build links between users and items. The experiments show that meta-path has best performance among all features. We conduct experiments on rating prediction, the influence of different source quality, inconsistence of ratings and review sentiment, and feature importance analysis. The results show that our method outperforms compared methods on rating prediction and the source weighting function generates appropriate weights for sources given different kinds of source quality.