基于物品描述和评论的多粒度注意力机制的推荐

本研究针对传统推荐系统依赖评分信息、面临数据稀疏性的局限，以及深度学习模型的可解释性不足，提出了一种融合评分数据和文本信息(评论、物品描述)的多粒度注意力机制的推荐模型(Multi-Grained Attention Recommendation, MGAR)。本文采用两个并行的卷积神经网络(CNN)分别处理用户和物品的评论与描述，并通过词级、短语级和句子级的注意力机制来提取不同层次的语义信息，实现评论文本的深度融合，从而更有效地捕捉用户偏好和物品特性。在Amazon上的4个子数据集的实验结果表明，本文提出的模型在预测准确度上均优于传统的基于评分的推荐模型和近年来流行的DeepCoNN模型。

随着互联网和大数据技术的迅猛发展，信息过载成为一个日益突出的问题[1]。推荐系统作为解决这一问题的关键技术，通过分析用户历史行为来提供个性化推荐，以辅助用户做出决策，已经在电子商务[2] [3]、智慧城市[4]、医疗[5]等多个领域取得成功应用。尤其在电子商务领域，推荐系统通过分析用户的偏好，实现精准信息过滤，为用户呈现个性化推荐内容。然而，为了提升用户对推荐系统的满意度， 如何准确预测用户对物品评分成为亟需解决的问题。

传统的推荐系统主要利用用户或物品的评分信息来进行推荐[6] [7]， 但实际场景中这些评分数据通常较为稀疏。为了解决数据稀疏性带来的性能问题，研究者们开始关注利用评论文本信息。电子商务的快速发展不仅带来了大量物品信息，还产生了丰富的评论文本信息。这些评论文本所包含的详实信息能够揭示物品特性以及用户个人偏好，在强化推荐系统的个性化方面发挥着关键作用。因此，许多学者开始探索如何借助用户评论这一辅助信息来学习用户和物品的表示，从而弥补数据稀疏性的问题。

在早期研究中，主题建模方法得到了广泛应用[8] [9]。相较于传统利用评分信息的模型，主题建模方法表现出更优的性能。然而，这些方法仅关注了评论的主题线索，使用词袋表示方式，忽略了评论的上下文信息，从而存在信息损失的问题，制约了预测准确度的提升。随着深度学习在各领域的崛起，最近的研究更倾向于采用神经网络来从评论中提取特征以进行推荐。

一些模型如DeepCoNN [10]、D-Attn [11]、和CARL [12]等将用户和物品的多条评论连接为一个文档，利用卷积神经网络对文本进行特征提取，得到用户或物品的整体兴趣或特性。然而，这些方法在聚合所有评论时未区分不同评论的重要程度，可能会影响有效特征的提取。另一些模型如NARRE [13]、MPCN [14]、DARMH [15]、ARPCNN [16]则专注于基于评论的建模，单独对每条评论建模，并利用注意力机制区分不同评论的重要性。随后，将评论特征汇总为用户和物品的综合特征，能够捕获用户对某一特定物品的偏好信息，从而实现了比文档级建模更高的预测准确度。

基于评论的建模关键在于对评论文本中不同粒度信息的捕获，不同用户所撰写的评论侧重点不同，