《计算机应用》唯一官方网站››2023，第43卷››发行（11）: 3443-3448.内政部：10.11772/j.issn.1001-9081.2022101628
• 人工智能 • （一） 下一篇
魏楚元1(),王梦珂2，户传豪2，日本2
收稿日期:
收益率：
接受日期:
日本：
出版日期:
通讯作者:
作者简介:
基金资助:
储元魏1(),王梦珂2，胡传豪2，张光启2
收到：
修订过的：
认可的：
在线：
出版：
联系人：
关于作者：
支持单位：
摘要：
为了提高推荐系统（RS）的可解释性，打破推荐系统固有的局限性，提升用户对推荐系统的信任度和满意度，提出一种增强可解释性的深度评论注意力神经网络（DRANN）模型。该模型利用用户评论与商品评论中丰富的语义信息，基于文本评论学习用户、物品之间的潜在关系，预测用户兴趣偏好和情感倾向。首先，采用文本卷积神经网络（文本CNN）对词向量作浅层特征抽取；然后，使用注意力机制为评论数据分配权重，过滤无效评论信息，同时构建深度自编码器模块将高维稀疏数据降维，去除干扰信息，学习深层语义表征，增强推荐模型的可解释性；最后，通过预测层得到预测评分。在（天井、汽车、乐器（M-I）和美容）上的实验结果表明，与概率矩阵分解（项目管理框架）模型、奇异值分解++（SVD++）模型、深度协同神经网络（DeepCoNN）模型、树增强嵌入模型（TEM）、DeepCF（深度协作过滤）、DER（动态可解释推荐）联盟、DRANN模型的均方根误差（RMSE）最小，验证了它在提升性能上的有效性以及所采用解释策略的可行性。
关于： 推荐系统, 深度学习, 可解释性推荐, ， 自编码器
为了提高推荐系统（RS）的可解释性，打破推荐系统固有的局限性，提高用户对推荐系统的信任度和满意度，提出了一种增强可解释性的深度审查注意神经网络（DRANN）模型。基于用户与文本评论项目之间的潜在关系，该模型利用用户评论和项目评论中丰富的语义信息预测用户的兴趣偏好和情感倾向。首先，使用文本卷积神经网络（TextCNN）对单词向量进行浅层特征提取。然后，使用注意机制为评论数据分配权重，并过滤无效的评论信息。同时，构建了深度自动编码器模块，以降低高维稀疏数据的维数，消除干扰信息，学习深度语义表示，增强推荐模型的可解释性。最后，通过预测层得到预测得分。在Patio、Automotive、Musical Instrument（M？I）和Beauty四个公共数据集上的实验结果表明，与概率矩阵分解（PMF）、单值分解++（SVD++）、深度合作神经网络（DeepCoNN）相比，DRANN模型的均方根误差（RMSE）最小、树增强嵌入模型（TEM）、DeepCF（深度协作过滤）和DER（动态可解释推荐器），验证了其在提高性能方面的有效性和所采用的解释策略的可行性。
关键词： 推荐系统（RS）， 深度学习， 解释性建议， 注意力机制， 自动编码器
中图分类号:
TP389.1标准
魏楚元, 王梦珂, 户传豪, 张桄齐. 增强推荐系统可解释性的深度评论注意力神经网络模型[J] ●●●●。计算机应用, 2023, 43(11): 3443-3448.
魏楚元、王梦珂、胡传豪、张光启。用于增强推荐系统可解释性的深度综述注意力神经网络模型[J]。计算机应用杂志，2023，43（11）：3443-3448。
0 / 第三方
导出引用管理器 尾注|里斯|BibTeX公司
链接本文: http://www.joca.cn/cn/10.11772/j.issn.1001-9081.2022101628
http://www.joca.cn/cn/Y2023/V43/I11/3443
图1 亚马逊平台用户对商品的评论
图1亚马逊平台用户对商品的评论
图2DRANN公司
图2DRANN模型的结构
图三文本CNN公司
图3TextCNN的结构
图4 编码器-解码器流程
图4编码器-解码器流程图
表1 数据集信息
表1数据集信息
表2亚马逊数据集上不同模型的RMSE公司
表2亚马逊数据集上不同模型的RMSE比较
图5M-I RMSE公司
图5M-I数据集上RMSE的比较
表三 深度编码器对模型RMSE公司
表3深度编码器对模型RMSE的影响
