考虑评论质量的自注意力胶囊网络评分预测模型
基于评论文档的推荐系统普遍采用卷积神经网络识别评论的语义,但由于卷积神经网络存在"不变性",即只关注特征是否存在,忽略特征的细节,卷积中的池化操作也会丢失文本中的一些重要信息;另外,使用用户项目交互的全部评论文档作为辅助信息不仅不会提升语义的质量,反而会受到其中低质量评论的影响,导致推荐结果并不准确.针对上述提到的两个问题,该文提出了自注意力胶囊网络评分预测模型(Self-Attention Capsule network Rate prediction,SACR),模型使用可以保留特征细节的自注意力胶囊网络挖掘评论文档,使用用户和项目的编号信息标记低质量评论,并且将二者的表示相融合用以预测评分.该文还改进了胶囊的挤压函数,从而得到更精确的高层胶囊.实验结果表明,SACR在预测准确性上较一些经典模型及最新模型均有显著的提升.
推荐系统;胶囊网络;注意力;评论质量;评分预测
43
TP391(计算技术、计算机技术)
国家自然科学基金;河北省自然科学基金
2021-12-28(万方平台首次上网日期,不代表论文的发表时间)
共8页
3451-3458