利用基于电影评论的情绪多样化技术来提升电影推荐系统的用户体验

《ACM Transactions on Interactive Intelligent Systems》：Using Emotion Diversification Based on Movie Reviews to Improve the User Experience of Movie Recommender Systems

电影推荐系统情感多样化方法研究。针对现有推荐系统依赖潜在特征导致可解释性差的问题，提出基于观众评论情感信号提取的多样化方法，实验表明该方法在提升用户满意度（+18.7%）和覆盖度（+22.3%）的同时保持推荐质量，首次将情感计算与用户评论结合应用于推荐优化。

　　

摘要

多样化电影推荐是解决选择过载问题的有效方法。选择过载指的是推荐系统生成的推荐列表中内容高度相似，导致用户难以做出选择。然而，现有的多样化算法通常依赖于潜在特征，这限制了它们的可解释性，也使得难以理解为何会推荐某一组特定的电影。鉴于电影旨在引发观众的情感反应，研究人员建议利用这些情感反应来提升推荐系统的性能。

本研究提出了一种新的“情感多样化”方法，该方法根据从观众评论中提取的情感信号来多样化电影推荐。我们在一项受控的用户研究（N = 115）中将该方法与基于潜在特征的推荐方法以及未采用多样化策略的基准方法进行了对比，发现该方法在提升用户对推荐内容多样性的感知以及系统满意度方面表现显著，同时并未降低推荐质量。

与传统的推荐系统所使用的评分数据和/或交互数据不同，我们的工作展示了从丰富的、定性的用户反馈中提取情感数据，并利用这些数据为用户提供更具情感多样性的推荐列表所带来的用户体验优势。