作者以及单位
Xin Dong, Jingchao Ni
Rutgers罗格斯大学，NEC。
https://arxiv.org/pdf/2001.04346.pdf
值得一提的是，我看了一下参考文献，原来factorization machines是google的rendle写的。
解决问题
在推荐系统中利用用户评论（显性信息），增加推荐的准度。因为过去大部分推荐系统文章都是挖掘隐性信息，挖掘显性信息肯定更准一些。
现有的方法通常将给定用户或物品的所有评论合并到一个长文档中，然后以相同方式处理用户和物品文档。但是，实际上，这两组评论是截然不同的。用户的评论反映了他们购买的各种商品，因此其主题非常不同，而一项商品的评论仅与该单个商品相关，因此在局部上是同质的。In practice, however, these two sets of reviews are notably different: users’ reviews reflect a variety of items that they have bought and are hence very heterogeneous in their topics, while an item’s reviews pertain only to that single item and are thus topically homogeneous.
这段话我感觉比较饶，根据全文的意境，应该是：
原有评论学习的方法，没有体现差异性！即假设X,Y都属于A这个大类，本文的算法AHN贡献是可以根据用户留言的特点分析出为什么选X而不选Y。例如都是月饼A，为什么用户喜欢甜的X，不喜欢咸的Y,本论文可以把用户留言中甜的特征挖掘出来。
研究对象
对评论的矩阵encoding（我看这里核心是用了LSTM），然后对其进行聚合后，进行remark，这一步是非对称关键（our method is designed specifically for learning asymmetric attentions from user–item interactions.）
最后进行汇总，编码潜在评分模式。
总结就是：
1.用户模块学习仅关注与目标物品相关的那些信息。
2.物品模块学习有关物品属性的最显著内容。
研究方法
模型的核心是“具体评论具体分析”。
AHN
创新点
在这项工作中强调了评论推荐中的不对称的注意力问题。其特点是它的非对称注意模块来区分用户嵌入和物品嵌入与评论的学习，以及它的层次范式来提取细粒度的句子和评论信号。
1.识别了不对称注意力问题，并提出基于评论的推荐。
2.提出了一种新的深度学习架构AHN，不仅捕获了评论数据的不对称和层次特征，同时还支持结果的可解释性。
结论
AHN是该文提出的，横坐标对比的是算法（主要的参考文献），纵坐标罗列的是数据集。
mse
我觉得本文符合“传统方法”讲特征工程的故事；“神经网络”讲架构的套路。
网友评论