Recommandation d'examen unifié neural avec attention croisée

Il existe deux principaux paradigmes pour exploiter l'information des avis pour la recommandation. L'un consiste à concaténer tous les avis d'un utilisateur/article dans un long document, ce qui peut négliger l'utilité différente des avis. L'autre paradigme est au niveau des avis, c'est-à-dire analyser chaque avis séparément pour apprendre les caractéristiques des utilisateurs/articles. En fait, les deux paradigmes sont complémentaires, et les fusionner a le potentiel d'apprendre des caractéristiques plus complètes des utilisateurs/articles. Par conséquent, nous proposons un cadre unifié pour apprendre conjointement des représentations au niveau des documents et des avis des utilisateurs/articles. Nous concevons un encodeur de documents pour apprendre les caractéristiques au niveau des documents des utilisateurs/articles. Ensuite, nous utilisons un encodeur d'avis pour apprendre des représentations des avis à partir des mots, et un encodeur utilisateur/article pour apprendre les caractéristiques au niveau des avis des utilisateurs/articles. De plus, différents avis du même utilisateur peuvent avoir une importance différente pour différents articles cibles en raison des caractéristiques différentes des articles. Nous proposons un modèle d'attention croisée pour l'apprentissage de la représentation des utilisateurs dont le vecteur de requête est l'embedding de l'ID de l'article cible, et l'appliquons aux trois encodeurs ci-dessus pour sélectionner différents mots et avis informatifs pour différents articles cibles. Des expériences approfondies valident l'efficacité de notre méthode.