Key points are not available for this paper at this time.
In einem modernen empfehlenden System ist es wichtig zu verstehen, wie Produkte zueinander in Beziehung stehen. Zum Beispiel kann es sinnvoll sein, während ein Benutzer nach Mobiltelefonen sucht, andere Telefone zu empfehlen, aber sobald er ein Telefon kauft, möchten wir stattdessen möglicherweise Batterien, Hüllen oder Ladegeräte empfehlen. Diese beiden Arten von Empfehlungen werden als Substitute und Komplementärprodukte bezeichnet: Substitute sind Produkte, die anstelle der anderen gekauft werden können, während Komplementärprodukte Produkte sind, die zusätzlich zu den anderen gekauft werden können. Hier entwickeln wir eine Methode, um Netzwerke von substituierbaren und komplementären Produkten abzuleiten. Wir formulieren dies als eine überwachte Aufgabe zur Vorhersage von Verbindungen, bei der wir die Semantik von Substituten und Komplementen aus Daten lernen, die mit Produkten verbunden sind. Die primäre Datenquelle, die wir verwenden, sind die Texte von Produktbewertungen, obwohl unsere Methode auch Merkmale wie Bewertungen, Spezifikationen, Preise und Marken nutzt. Methodologisch bauen wir Themenmodelle auf, die darauf trainiert sind, automatisch Themen aus Text zu entdecken, die erfolgreich darin sind, solche Beziehungen vorherzusagen und zu erklären. Experimentell bewerten wir unser System an dem Amazon-Produktkatalog, einem großen Datensatz, der aus 9 Millionen Produkten, 237 Millionen Verbindungen und 144 Millionen Bewertungen besteht.
McAuley et al. (Mon.) haben diese Frage untersucht.