[论文解读] Making Use of Affective Features from Media Content Metadata for Better Movie Recommendation Making.

John Kalung Leung, Igor Griva+1 more|arXiv (Cornell University)|Jul 1, 2020

Sentiment Analysis and Opinion Mining参考文献 19被引用 6

一句话总结

本文提出通过使用可迁移的基于文本的情感检测模型，从电影元数据中提取情感特征，以增强电影推荐。通过将电影概要中的情感标签嵌入并结合用户评分向量，该方法在SVD-CF框架中利用距离度量，使前5名推荐的准确率提高了60%，优于基线协同过滤方法。

ABSTRACT

Our goal in this paper aims to investigate the causality in the decision making of movie recommendations from a Recommender perspective through the behavior of users' affective moods. We illustrate a method of assigning emotional tags to a movie by auto-detection of the affective attributes in the movie overview. We apply a text-based Emotion Detection and Recognition model, which trained by the short text of tweets, and then transfer the model learning to detect the implicit affective features of a movie from the movie overview. We vectorize the affective movie tags through embedding to represent the mood of the movie. Whereas we vectorize the user's emotional features by averaging all the watched movie's vectors, and when incorporated the average ratings from the user rated for all watched movies, we obtain the weighted vector. We apply the distance metrics of these vectors to enhance the movie recommendation making of a Recommender. We demonstrate our work through an SVD based Collaborative Filtering (SVD-CF) Recommender. We found an improved 60\% support accuracy in the enhanced top-5 recommendation computed by the active test user distance metrics versus $40\%$ support accuracy in the top-5 recommendation list generated by the SVD-CF Recommender

研究动机与目标

• 探究用户情感状态在电影推荐决策中的作用。
• 通过整合来自电影元数据的情感特征，提升协同过滤性能。
• 开发一种方法，利用从基于推文的情感模型迁移学习，自动检测电影概要中的隐式情感属性。
• 通过向量嵌入表示电影和用户的感情状态，实现基于相似性的推荐。
• 评估情感向量距离度量在协同过滤框架中对推荐准确率的影响。

提出的方法

• 使用在短推文上预训练的基于文本的情感检测模型，对其进行微调并迁移，以检测电影概要中的情感属性。
• 从电影描述中提取情感标签，并转换为表示每部电影情绪的密集向量嵌入。
• 通过计算用户观看过的所有电影的向量嵌入的平均值，来计算用户的感情特征。
• 通过将平均情绪向量与用户在所看电影上的平均评分相结合，形成加权用户向量。
• 使用距离度量计算用户与电影情绪向量之间的相似性，以指导推荐排序。
• 将增强的情感向量表示集成到基于SVD的协同过滤（SVD-CF）推荐系统中，以提升性能。

实验结果

研究问题

• RQ1 如何利用电影元数据中的情感特征提升电影推荐的准确率？
• RQ2 将从观看电影中提取的用户情绪向量整合进来，能在多大程度上提升推荐性能？
• RQ3 能否有效将基于推文训练的情感检测模型迁移至从电影概要中提取隐式情感属性？
• RQ4 用户与电影情绪向量之间的距离度量如何影响前5名推荐的质量？
• RQ5 当情感特征被整合到SVD-CF中时，推荐准确率的可测量提升是多少？

主要发现

• 所提出的方法在使用情感向量距离度量的前5名推荐中，达到了60%的支持准确率。
• 基线SVD-CF推荐系统在同一前5名推荐任务中仅达到40%的支持准确率。
• 与标准协同过滤相比，情感特征的整合显著提升了推荐性能。
• 将基于推文的情感检测模型迁移至电影概要，有效提取了隐式情感属性。
• 由平均电影嵌入和评分加权得到的用户情绪向量，增强了推荐项目的相关性。
• 使用情感感知的距离度量使推荐准确率提升了20个百分点。