Améliorer la recommandation avec l'intégration de la synthèse extractive et abstraite

Avec la croissance rapide du commerce électronique, les systèmes de recommandation ont été largement adoptés dans divers services en ligne en présentant des produits alignés avec les préférences des utilisateurs. De plus, les systèmes de recommandation basés sur les avis ont été étudiés pour atténuer la rareté des données d'interaction. Cependant, de nombreuses études utilisent directement des textes d'avis complets, qui peuvent contenir des sémantiques redondantes ou du bruit non pertinent pour les recommandations, ce qui dégrade la qualité des données et les performances des recommandations. Pour remédier à cette limitation, cette étude propose la fusion des avis résumés pour la recommandation adaptative (SuReFAR), qui prédit les ratings en résumant les avis en informations clés à l'aide d'une stratégie de multi-synthèse. Plus précisément, SuReFAR utilise TextRank et des transformateurs bidirectionnels et auto-régressifs (BART) pour générer des résumés extractifs et abstraits des ensembles d'avis utilisateurs et d'articles, respectivement. Par la suite, nous appliquons un mécanisme d'attention pour mettre en avant les informations saillantes dans chaque représentation de résumé et fusionnons plusieurs représentations de résumé en contrôlant de manière adaptative leurs contributions à travers une unité multimodale à portes (GMU) pour prédire les ratings. Nous avons réalisé des expériences sur les ensembles de données d'avis d'Amazon et de Yelp, démontrant que le modèle proposé surpasse constamment les modèles de référence et capture les préférences des utilisateurs de manière plus efficace via des représentations de résumé personnalisées.