【CIKM2020-北大】Set-Sequence-Graph:一种利用评论来获取推荐的多视图方法

现有的基于评论的推荐模型主要从一组评论中学习长期用户和项目表示。由于忽略了评论丰富的侧面信息，这些模型存在两个缺点:1)不能捕捉评论中反映的用户偏好和条目特征的短期变化，2)不能准确地模拟来自评论的高阶用户-条目协作信号。为了克服这些限制，我们提出了一种名为集序列图(SSG)的多视图方法，通过引入两个额外的利用审查的视图:序列和图，来扩充现有的单视图(即集的视图)方法。特别地，对于分别以集合、序列和图的形式组织的评审，我们设计了一个三向编码器体系结构，它联合捕获用户和项目的长期(集合)、短期(序列)和协作(图)特性，以供推荐。对于序列编码器，我们提出了一个短期优先注意力网络，明确地考虑顺序和个性化的时间间隔审查。针对图码编码器，我们设计了一种新颖的回顾感知图注意网络来建模用户-项目图中的高阶多方面关系。为了消除捕获特性中潜在的冗余，我们的融合模块使用了跨视图去关系机制，以鼓励从多个视图进行不同的表示以进行集成。在公共数据集上的实验表明，SSG显著优于最先进的方法。

https://www.microsoft.com/en-us/research/publication/set-sequence-graph-a-multi-view-approach-towards-exploiting-reviews-for-recommendation/