基于动态多尺度评论对齐的个性化推荐系统：弥合评分与用户真实意见的鸿沟

针对个性化推荐系统中评分与用户真实意见不一致、动态用户行为适应性差等挑战，研究人员提出动态多尺度评论对齐模型DMRA。该模型通过情感感知图传播和记忆增强模块，结合对比学习机制，显著提升推荐准确性。实验证实DMRA能有效捕捉用户细粒度偏好，为推荐系统领域提供创新解决方案。

　　

在数字化时代，个性化推荐系统已成为连接用户与内容的关键桥梁。然而，这些系统长期面临两大核心矛盾：用户评分与真实意见的"表里不一"，以及静态模型难以适应动态变化的用户偏好。例如，用户可能给商品打出五星好评，却在评论中抱怨"不会再购买"；或者随着时间推移，原本热衷科幻片的观众逐渐转向纪录片。这些现象暴露出传统推荐技术的局限性——它们过度依赖数值化评分，却忽视了蕴含在文本评论中的情感信号，更缺乏对用户兴趣漂移的捕捉能力。

针对这一难题，来自电子科技大学的研究团队在《Neural Networks》发表创新成果，提出动态多尺度评论对齐模型DMRA。该研究首次将情感分析、图神经网络(GNN)与记忆增强机制深度融合，构建起能够同步解析用户"所言"(评论)、"所评"(分数)和"所变"(行为演化)的智能推荐框架。通过跨模态对齐技术和动态微簇更新策略，DMRA在亚马逊手机评论等真实数据集上实现显著突破，准确率较基线模型提升最高达23.7%。这项研究不仅为破解"评分陷阱"提供了方法论创新，更开辟了动态可解释推荐系统的新路径。

研究团队采用三大核心技术：多尺度评论提取技术(结合BERT等预训练模型进行语义编码和细粒度情感分析)、情感感知异构图传播框架(构建用户-物品-情感三元关系网络)、以及动态记忆库(以微簇形式存储用户长短期偏好)。实验选取Amazon Cellphone等5-core数据集，确保每个用户/物品至少有5条交互记录。

【研究结果】

1. 评论-评分对齐分析：通过情感极性检测发现，高达34%的高评分(4-5星)伴随中性/负面评论，验证评分与情感的显著偏差。DMRA的双通道情感分析模块成功识别这些矛盾样本。
2. 动态偏好建模：记忆增强模块将用户兴趣分解为稳定簇(长期偏好)和瞬态簇(短期兴趣)，在时序测试中较静态模型AUC提升0.218。
3. 噪声鲁棒性验证：对比学习机制使模型在20%噪声注入下仍保持86.3%的推荐稳定性，显著优于传统GNN方法。

【结论与意义】
该研究突破性地实现了三个维度的统一：语义层面通过多尺度分析对齐评论与评分，时序层面借助记忆模块捕捉兴趣演化，系统层面利用图神经网络整合异构信息。DMRA的创新性体现在：提出情感感知的关系类型标识符_sij

，将"五星差评"等矛盾现象量化建模；设计动态微簇更新算法，实现用户偏好的"显微镜式"追踪。这些进展不仅提升推荐准确性，更增强系统可解释性——例如识别出用户因"从众心理"产生评分偏差的具体场景。

研究同时揭示评分行为的动态规律：新用户倾向使用全评分范围(1-5星)，而老用户评分逐渐向3-5星收缩。这一发现为平台设计评分引导机制提供实证依据。团队指出，未来可结合大语言模型(LLM)增强评论理解深度，并将框架扩展至医疗推荐等高风险领域，推动推荐系统向更智能、更可靠的方向演进。