《User Modeling with Neural Network for Review Rating Prediction》評論打分預測
摘要： 傳統的評分預測只考慮到了文本信息，沒有考慮到用戶的信息，因爲同一個詞 在不同的用戶表達中是不一樣的。同樣good 一詞， 有人覺得5分是good 有人覺得4分是good。但是傳統的文本向量表達無法區分。所以每個人都應該有一個屬於自己的詞向量。 傳統的是word embedding的方式，這樣處理，忽略了文檔的生成者的特性。 因此本文討論的是如何利用用戶信息，來「修正」單詞的特徵表示。 作者
相關文章
- 1. WWW2018-Neural Attentional Rating Regression with Review-level Explanations
- 2. Rating Prediction——評分預測小結
- 3. 論文Product-based Neural Network for User Response Prediction
- 4. 論文筆記 《Neural Attentional Rating Regression with Review-level Explanations》
- 5. Document Modeling with Gated Recurrent Neural Network for Sentiment Classification 論文閱讀筆記
- 6. 【論文閱讀筆記】Document Modeling with Gated Recurrent Neural Network for Sentiment Classification
- 7. Neural Attentional Rating Regression with Review-level Explanations閱讀筆記
- 8. Graph Neural Network Review
- 9. LSTM Neural Networks for Language Modeling
- 10. 《ABCNN: Attention-Based Convolutional Neural Network for Modeling Sentence Pairs》
- 更多相關文章...
- • Lua for 循環 - Lua 教程
- • Swift for 循環 - Swift 教程
- • Git五分鐘教程
- • 算法總結-二分查找法
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. WWW2018-Neural Attentional Rating Regression with Review-level Explanations
- 2. Rating Prediction——評分預測小結
- 3. 論文Product-based Neural Network for User Response Prediction
- 4. 論文筆記 《Neural Attentional Rating Regression with Review-level Explanations》
- 5. Document Modeling with Gated Recurrent Neural Network for Sentiment Classification 論文閱讀筆記
- 6. 【論文閱讀筆記】Document Modeling with Gated Recurrent Neural Network for Sentiment Classification
- 7. Neural Attentional Rating Regression with Review-level Explanations閱讀筆記
- 8. Graph Neural Network Review
- 9. LSTM Neural Networks for Language Modeling
- 10. 《ABCNN: Attention-Based Convolutional Neural Network for Modeling Sentence Pairs》