《Aspect-Aware Latent Factor Model: Rating Prediction with Ratings and Reviews》閱讀筆記

05-27

來自專欄西土城的搬磚日常

論文來源：WWW2018
論文鏈接：Aspect-Aware Latent Factor Model: Rating Prediction with Ratings and Reviews

1、問題介紹

本文是針對類似亞馬遜網站的商品推薦研究，主要考慮的信息是用戶對商品的打分以及用戶對商品的評論。給定的原始數據包含用戶，商品，打分以及評論，經過處理之後，即把某個商品的所有評論信息concat當作該商品的表示文檔，某個用戶的所有評論信息concat當作該用戶的表示文檔，最終的訓練數據格式是用戶，商品，打分，用戶表示文檔，商品表示文檔。在測試過程中，給定用戶，商品，用戶表示文檔，商品表示文檔，需要儘可能精確預測該用戶對該商品的打分。

本文模型是對隱向量模型（MF）的一種改進，傳統的隱向量模型中用戶和物品的隱向量是通過全局最優求得，這使得對某一對用戶和物品，可能該隱向量未必是最優的。MF通過用戶和物品的點積來預測打分，如果把物品隱向量的某一維看成是某個和打分相關的factor，那麼MF是把所有的factor同等看待的，在預測打分的時候各個factor是同等重要的，但是對於精確的預測來說，需要考慮到每個用戶對於各個factor的重視程度。因此本文提出了基於aspect的隱向量模型。

2、關鍵詞解釋

Aspect：在本文中aspect是一種高層次的語意表示，是用戶在review中表達出的item屬性，例如對於餐廳來說，食物和服務都可以當作aspect。

Factor or Topic：和aspect相比，這是一種低層次的語意表示，例如對於食物來說，中國菜和泰國菜就可以當作factor。

3、基於aspect的隱向量模型

作者的出發點基於下述2點：

（1）不同的用戶可能關心同一個物品的不同的aspect；

（2）對於相同的aspect，不同用戶的喜好也是不一樣的；

因此最終的打分預測可以表示為：

其中a表示某個aspect，aspect的數量是超參數。

aspect rating 預測

aspect rating反應了在某個aspect上用戶對物品的滿意程度。滿意程度包括2方面：（1）首先在該aspect上物品必須包含用戶感興趣的factor；（2）更進一步該factor必須質量高。

根據review，可以學到在某個aspect上用戶和物品的表示向量，因此（1）的打分可以表示：

但是 $s_{u,i,a}$ 越大，並不代表用戶對物品的滿意度越高，因為有可能該factor的質量低。factor的質量可以通過用戶的打分來衡量。這裡作者藉助MF方法，使得 $r_{u,i} = p_{u}cdot q_{i}$ ，通過引入aspect和factor的關聯矩陣 $W$ 得到用戶在aspect a上的興趣：

同理也可以得到物品在aspect a上的特性向量，因此在aspect a上用戶對物品的質量滿意度可以表示為 $p_{u,a}cdot q_{i,a}$ ，用戶對物品的aspect 打分可以表示為：

aspect importance 預測

作者用user的review來估計aspect的重要性，因為用戶經常在評論中討論他們感興趣的topics（某個aspect有多個topics，例如食物的topic可以是某種菜）。在寫review的時候，某些用戶傾向於評論自己關注的aspect，另一些用戶傾向於寫物品最引人注目的aspect。因此用戶在aspect a上評論的可能性可以表示為：

其中 $pi_{u}$ 表示用戶從自己的喜好寫review的概率， $lambda_{u,a}$ 是用戶基於自己喜好在aspect a評論的概率， $lambda_{i,a}$ 是用戶基於物品的特性在aspect a上評論的概率。這些參數會根據後續的aspect-aware topic model學到。