（论文阅读笔记）Attentive Aspect Modeling for Review-aware Recommendation

论文：Attentive Aspect Modeling for Review-aware Recommendation

1.解决问题

1. 由于用户与产品互动的稀疏性以及用户使用多种语言的原因，在针对目标用户和产品的评论中提到的常见Aspect的数量通常非常有限，存在Aspect稀疏性。
2. 对于不同的产品（即使在同一类别中），用户关注的方面可能有所不同。

2.创新点
1.对同义和相似的aspect进行交互，解决aspect稀疏性
2.引入注意力机制，分析用户面对不同产品时对aspect的不同关注度

3.重点
1.使用注意力机制找出有意义的aspect交互
2.User-level Attentive Pooling Layer

4.模型介绍

Aspect Interactions：


Aspect Interaction Layer


Global Interactions Part

Output Layer

模型训练：

5.实验
数据集：Amazon product dataset，选用5中不同产品类别：Movies and TV、CDs and Vinyl 、Clothing, Shoes and Jewelry 、Cell Phones and Accessories、Beauty 并且每个用户和产品至少具有5条评论。
对比模型：BPR-MF、BPR-HFT、DeepCoNN、JRL、JRL-Review、eJRL
评估指标：N=10，Recall、Precision、NDCG、HT
实验结果：AARM表现优于其他模型，通过定量实验证明，引入注意力机制和方面交互确实有效。

6.不足
（1）本文使用Sentires进行aspect提取，可以使用神经网络来提取aspect与AARM相结合。