Key points are not available for this paper at this time.
Obwohl die Vorlieben der Nutzer semantisch in den Freitextbewertungstexten widergespiegelt werden, wurde dieser Reichtum an Informationen nicht vollständig für das Lernen von Empfehlungssystemen genutzt. Insbesondere nutzen fast alle bestehenden Empfehlungsalgorithmen nur Bewertungspunkte, um die Vorlieben der Nutzer zu ermitteln, ignorieren jedoch die mit den Bewertungsinformationen verbundenen Rezensionstexte. In diesem Papier schlagen wir ein neuartiges Matrixfaktorisierungsmodell (genannt TopicMF) vor, das gleichzeitig die Bewertungen und die begleitenden Rezensionstexte berücksichtigt. Experimentelle Ergebnisse zu 22 realen Datensätzen zeigen die Überlegenheit unseres Modells gegenüber den derzeit besten Modellen und demonstrieren seine Wirksamkeit bei Empfehlungsaufgaben.
Bao et al. (Thu,) untersuchten diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: