通过整合提取式和抽象式摘要来提升推荐效果 Minkyung Park, Suji Kim, Xinzhe Li, Seonu Park, Jaekyeong Kim

《Electronics》：Enhancing Recommendation with Integration of Extractive and Abstractive Summarization Minkyung Park, Suji Kim, Xinzhe Li, Seonu Park and Jaekyeong Kim

　　

摘要

随着电子商务的迅速发展，推荐系统已被广泛应用于各种在线服务中，通过展示符合用户偏好的产品来提升用户体验。此外，基于评论的推荐系统也被研究用于缓解交互数据的稀疏性问题。然而，许多研究直接使用完整的评论文本，这些文本中可能包含与推荐无关的冗余信息或噪声，从而降低了数据质量和推荐效果。为了解决这一限制，本研究提出了“摘要融合自适应推荐”（SuReFAR）方法，该方法通过多摘要策略将评论内容总结为关键信息来预测评分。具体而言，SuReFAR利用TextRank以及双向和自回归变换器（BART）分别生成用户评论和商品评论的提取性摘要和抽象性摘要。随后，我们应用注意力机制来突出每个摘要表示中的重要信息，并通过门控多模态单元（GMU）自适应地控制各摘要的贡献度，从而预测评分。我们在Amazon和Yelp评论数据集上进行了实验，结果表明所提出的模型在性能上优于基线模型，并且能够通过个性化的摘要表示更有效地捕捉用户偏好。