iRev: Um framework de avaliação de sistemas de recomendação baseados comentários textuais
DOI:
https://doi.org/10.5753/reic.2025.6040Keywords:
Sistemas de Recomendação Baseados em Comentários, Avaliação ComparativaAbstract
Os avanços atuais em Sistemas de Recomendação e Processamento de Linguagem Natural têm motivado estudos recentes a retornarem seu interesse em sistemas de recomendação baseados comentários textuais (RARSs). Nesse sentido, realizamos mapeamento sistemático selecionando 117 artigos publicados nos principais veículos da área, apresentando um resumo dos avanços, destacando os principais algoritmos propostos e detalhando os conjuntos de dados e métricas mais utilizados em configurações experimentais. As implementações e demais artefatos extraídos deste estudo foram consolidados em um framework: iREV. Conduzimos uma comparação experimental entre propostas de última geração, destacando as principais perspectivas para desenvolvimentos futuros.
Descargas
Citas
Bittencourt, G., Fonseca, G., Andrade, Y., Silva, N., and Rocha, L. (2023). A survey on review - aware recommendation systems. In Proceedings of the 29th Brazilian Symposium on Multimedia and the Web, WebMedia ’23. DOI: 10.1145/3617023.3617050.
Chen, C., Zhang, M., Liu, Y., and Ma, S. (2018). Neural attentional rating regression with review-level explanations. In Proceedings of the 2018 World Wide Web Conference, pages 1583–1592. DOI: 10.1145/3178876.3186070.
Chin, J. Y., Zhao, K., Joty, S., and Cong, G. (2018). Anr: Aspect-based neural recommender. In 27th ACM CIKM, pages 147–156. DOI: 10.1145/3269206.3271810.
Li, C., Quan, C., Peng, L., Qi, Y., Deng, Y., and Wu, L. (2019). A capsule network for recommendation and explaining what you like and dislike. In 42nd ACM SIGIR, pages 275–284. DOI: 10.1145/3331184.3331216.
Liu, D., Li, J., Du, B., Chang, J., and Gao, R. (2019). Daml: Dual attention mutual learning between ratings and reviews for item recommendation. In 25th ACM SIGKDD, pages 344–352. DOI: 10.1145/3292500.3330906.
Liu, H., Wang, Y., Peng, Q., Wu, F., Gan, L., Pan, L., and Jiao, P. (2020). Hybrid neural recommendation with joint deep representation learning of ratings and reviews. Neurocomputing, 374:77–85. DOI: 10.1016/j.neucom.2019.09.052.
Liu, Y., Yang, S., Zhang, Y., Miao, C., Nie, Z., and Zhang, J. (2021). Learning hierarchical review graph representations for recommendation. IEEE TKDE, 35(1):658–671. DOI: 10.1109/TKDE.2021.3075052.
Seo, S., Huang, J., Yang, H., and Liu, Y. (2017). Interpretable convolutional neural networks with dual local and global attention for review rating prediction. In 11st ACM RecSys, pages 297–305. DOI: 10.1145/3109859.3109890.
Tay, Y., Luu, A. T., and Hui, S. (2018). Multi-pointer co-attention networks for recommendation. In 24th ACM SIGKDD, pages 2309–2318. DOI: 10.1145/3219819.3220086.
Werneck, H., Silva, N., Viana, M. C., Mourão, F., Pereira, A. C., and Rocha, L. (2020). A survey on point-of-interest recommendation in location-based social networks. In Proceedings of the Brazilian Symposium on Multimedia and the Web, pages 185–192. DOI: 10.1145/3428658.3430970.
Wu, L., Quan, C., Li, C., Wang, Q., Zheng, B., and Luo, X. (2019). A context-aware user-item representation learning for item recommendation. ACM TOIS, 37(2):1–29. DOI: 10.1145/3298988.
Zheng, L., Noroozi, V., and Yu, P. (2017). Joint deep modeling of users and items using reviews for recommendation. In ACM WSDM, pages 425–434. DOI: 10.1145/3018661.3018665.
Descargas
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2025 Os autores
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
