推荐系统——Exploiting Emotion on Reviews for Recommender Systems

论文描述：

通过给在线用户推荐潜在兴趣的产品，推荐系统已经成为解决信息过载问题的很重要的方法。现有的大多数推荐系统主要依靠用户的历史评分或者评论文本进行推荐，但是由于数据资源的不足而导致数据稀疏和冷启动的问题。因此，可帮助推断用户偏好的在线用户生成数据已成为推荐系统缓解数据稀疏性和冷启动问题的关键补充来源，例如：社会推荐（Socical Rcommendation）利用同源性理论得到的用户-用户关系（例如：两个朋友更可能具有相似的偏好）有效提高了推荐系统的性能。

实际上，在线消费平台为用户提供了各种方式来表达他们对其他用户评论的感受或情感，例如，亚马逊用户可以通过评论和回复他人评论下的帖子来表达他们的情感。从真实数据分析中，我们发现对评论文本的评论或者情感表达数量远远大于元评论的数量，这意味着我们拥有更丰富的数据资源，即情感信息，帮助推断用户的潜在偏好。

本文中，我们提供了一种原则性和数学方式来充分利用评论中的积极和消极情感，并提出了一种新的框架MIRROR，真实数据集的实证结果证明了我们提出的框架的有效性。

 

参考文献：

Meng X, Wang S, Liu H, et al. Exploiting Emotion on Reviews for Recommender Systems[C]// AAAI. 2018.