文献

J-GLOBAL ID：202002232561070804   整理番号：20A2235393

レビューからの特徴抽出による推薦のための評価予測に関するテンソル因数分解

A Tensor Factorization on Rating Prediction for Recommendation by Feature Extraction from Reviews

著者 (3件)： Sun Yang (Hiroshima University) ,  Fang Guan-Shen (Hiroshima University) ,  Kamei Sayaka (Hiroshima University)
資料名： International Journal of Networking and Computing (Web)  (International Journal of Networking and Computing (Web))
巻： 10  号： 2  ページ： 111-126(J-STAGE)  発行年： 2020年 
JST資料番号： U1549A  ISSN： 2185-2847  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： 多くのオンラインレビューサイトまたはソーシャルメディアにおいて,各ユーザは例えば,彼が買った製品,彼が訪れた場所,彼が受けたサービスなど彼が得た各品目に対するフィードバックとして数値による評価を割り当て,テキストレビューを書くことが奨励される。時々何人かのユーザによるフィードバックは天候,距離,時間,及び季節のようないくつかの状況的要因によって影響を受ける。したがって,従来の手法よりもより正確な推薦を生成するために,コンテキストを意識した手法がユーザの状況情報を利用することによって開発されている。さらに,先行研究[6,14]ではテキストレビューの無知の欠点が,評価予測に対する平凡な性能をもたらすであろうことを既に承認している。本研究では,もう1つの次元を加えることによる行列因数分解(MF)の拡張版である,テンソル因数分解(TF)に基づく評価予測モデルのフレームワークTF+を提案した。追加の次元として季節の状況を考慮した。まず,本フレームワークでは,レビューのそれぞれを数値特徴ベクトルによって特徴づけた。第2に,それは特徴ベクトル勾配降下(FVGD)と呼ばれるTFのために提案された一次の勾配降下法によって訓練されたTFを使用した。TF+におけるTFの訓練のために,FVGDはレビューの特徴ベクトルに基づいて学習率を決定した。本評価では,YELPチャレンジデータセットにおける5つの都市の前処理されたデータを使用し,LDA,Doc2Vec,及びSCDVのうちの1つを適用してレビューの数値的な特徴ベクトルを得た。実験比較を行い,結果はTF+による方法が基本のTFモデルに比べて性能を著しく向上させることを示した。(翻訳著者抄録)

シソーラス用語： *情報システム ,  *自然言語処理 ,  *特徴抽出 ,  *予測技法 ,  因数分解 ,  テンソル ,  *情報メディア ,  最急降下法 ,  ベクトル ,  比率 ,  *機械学習
準シソーラス用語： オンラインレビュー ,  *ソーシャルメディア ,  テンソル因数分解 ,  *リコメンデーションシステム ,  学習率 ,  勾配降下法 ,  特徴ベクトル

著者キーワード (6件)： 予測評価 ,  テンソル因数分解 ,  Doc2Vec ,  LDA ,  SCDV ,  推奨システム

分類 (3件)： その他の情報処理  (JE15050M) ,  自然語処理  (JE06000L) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： レビュー ,  特徴抽出 ,  推薦 ,  評価 ,  予測 ,  テンソル ,  因数分解