Leveraging Descriptions of Emotional Preferences in Recommender Systems

要約

推奨されるアイテムを好むという感情的な態度は、魅力的または興味をそそられる感情、陽気な気持ちや浮力などの感情、および「結論に驚かされる」などのより微調整された感情的な状態を含む、幅広い感情的な現象の1つのカテゴリのみを反映しています。
この論文では、消費時にそれらの感情状態を誘発する可能性が高いアイテムを特定するために、ユーザーが明示的に求められている感情状態の実質的に無制限の範囲を活用できる新しい推奨タスクを紹介します。
それに対応して、帳簿レビューから採掘された細粒の感情状態の表現を含むユーザー設定の大きなデータセットを作成し、入力としてそのような感情表現を活用するトランスベースのアーキテクチャを提案します。
次に、リンクされたユーザーと帳簿価格、評価、レビューの履歴とともに、感情状態の好みの結果のデータセットを使用して、推奨されるアイテムを感情的な好みと一致させるタスクに関する複数の推奨モデルをトレーニングおよび評価します。
実験は、アイテムとユーザーの感情的な好みのテキストの説明を利用できるモデルによって最良の結果が得られることを示しています。

要約(オリジナル)

The affective attitude of liking a recommended item reflects just one category in a wide spectrum of affective phenomena that also includes emotions such as entranced or intrigued, moods such as cheerful or buoyant, as well as more fine-grained affective states, such as ‘pleasantly surprised by the conclusion’. In this paper, we introduce a novel recommendation task that can leverage a virtually unbounded range of affective states sought explicitly by the user in order to identify items that, upon consumption, are likely to induce those affective states. Correspondingly, we create a large dataset of user preferences containing expressions of fine-grained affective states that are mined from book reviews, and propose a Transformer-based architecture that leverages such affective expressions as input. We then use the resulting dataset of affective states preferences, together with the linked users and their histories of book readings, ratings, and reviews, to train and evaluate multiple recommendation models on the task of matching recommended items with affective preferences. Experiments show that the best results are obtained by models that can utilize textual descriptions of items and user affective preferences.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google