[论文解读] Opinion mining using Double Channel CNN for Recommender System

Minoo Sayyadpour, Ali Nazarizadeh|arXiv (Cornell University)|Jul 15, 2023

Sentiment Analysis and Opinion MiningComputer Science被引用 3

一句话总结

本文提出一种用于推荐系统中基于方面的情感分析的双通道CNN模型，通过SMOTE数据平衡和张量分解实现方面聚类加权，显著提升性能，准确率达到91.6%，显著优于以往基于方面的方法。

ABSTRACT

Much unstructured data has been produced with the growth of the Internet and social media. A significant volume of textual data includes users' opinions about products in online stores and social media. By exploring and categorizing them, helpful information can be acquired, including customer satisfaction, user feedback about a particular event, predicting the sale of a specific product, and other similar cases. In this paper, we present an approach for sentiment analysis with a deep learning model and use it to recommend products. A two-channel convolutional neural network model has been used for opinion mining, which has five layers and extracts essential features from the data. We increased the number of comments by applying the SMOTE algorithm to the initial dataset and balanced the data. Then we proceed to cluster the aspects. We also assign a weight to each cluster using tensor decomposition algorithms that improve the recommender system's performance. Our proposed method has reached 91.6% accuracy, significantly improved compared to previous aspect-based approaches.

研究动机与目标

• 通过在非结构化意见文本上应用深度学习，提升推荐系统中的情感分析准确率。
• 通过基于SMOTE的过采样方法，解决用户评论数据集中的数据不平衡问题。
• 通过聚类方面并利用张量分解为其分配动态权重，提升推荐性能。
• 设计一种双通道CNN架构，以捕捉多样化的文本特征，实现方面级情感分类。
• 在真实世界评论数据上，实现比现有基于方面的情感分析方法更高的准确率和更强的鲁棒性。

提出的方法

• 设计了一个包含五层的双通道卷积神经网络，用于从用户评论中提取局部和全局特征。
• 应用SMOTE（合成少数类过采样技术）对训练数据进行平衡，增加少数类评论的数量。
• 使用无监督技术进行方面聚类，将评论中相关的意见短语分组。
• 使用张量分解算法为每个方面聚类分配自适应权重，提升模型可解释性和推荐的相关性。
• 模型通过两个并行的CNN分支处理输入文本，每个分支专注于不同的n-gram特征表示，随后在最后融合进行分类。
• 最终输出层在方面级别执行情感分类（例如，正面/负面），实现细粒度的推荐决策。

实验结果

研究问题

• RQ1 双通道CNN架构在意见挖掘中如何提升方面级情感分类的准确率？
• RQ2 基于SMOTE的数据增强在不平衡评论数据集上在多大程度上提升了模型性能？
• RQ3 基于张量分解的聚类方面加权能否提升推荐系统的性能？
• RQ4 与现有基于方面的情感分析模型相比，该方法在准确率和鲁棒性方面表现如何？
• RQ5 多通道特征提取在捕捉产品评论中细微用户意见方面有何影响？

主要发现

• 所提方法实现了91.6%的情感分类准确率，显著优于以往的基于方面的方法。
• 基于SMOTE的数据平衡方法有效增加了少数类评论的数量，提升了模型在不平衡数据集上的泛化能力。
• 方面聚类与张量分解相结合，实现了用户意见更合理且加权的表示，提升了推荐的相关性。
• 双通道CNN架构成功捕捉了局部和全局文本模式，增强了特征的区分能力。
• 将加权方面聚类集成到推荐流程中，显著提升了推荐的准确性和个性化程度。
• 该模型在真实世界评论数据上表现出色，验证了其在实际推荐系统应用中的有效性。