学术速递丨我院余力教授团队论文发表在UTD期刊INFORMS Journal on Computing

近日，我院经济信息管理系余力教授团队论文《From Interaction to Prediction: A Multi-Interactive Attention-Based Approach to Product Rating Prediction》在国际管理科学与运筹学顶级期刊INFORMS Journal on Computing（UTD期刊）上发表。第一作者为余力，论文合作者有其指导硕士生龚伟、丁雨，美国北卡大学夏洛特分校教授张东松、博士生傅哲。

INFORMS Journal on Computing是由美国运筹学和管理学研究协会（INFORMS）出版的季刊，主要发表运筹学、统计学与计算科学等交叉学科领域的最新研究成果，被美国德克萨斯大学达拉斯分校（University of Texas, Dallas）列为全球商学院最顶尖的24本学术期刊（简称UTD 24）之一，在国际管理学界享有极高的学术声誉。此论文是首次以信息学院作为署名单位在IJOC上发表研究成果，对于提升我院管理科学与工程学科的国际学术影响力具有重要作用。

据悉，团队近期还有一篇智能信息推荐方向的论文《MVideoRec: Micro Video Recommendations Through Modality Decomposition and Contrastive Learning》被信息系统领域顶刊ACM Transactions on Information Systems（TOIS）接收录用，作者依次为余力、胡建勇、杜启翰、牛曦，论文将于近期发表。近年来，余力指导学生在智能信息管理与决策领域取得一系列突出成果，多项研究发表在Decision Science、Decision Support Systems、ACM Transactions on KDD等期刊，展现出其在管理科学与工程学科拔尖人才培养方面取得突破。

论文概述

产品评分预测是一直电子商务推荐的核心问题，对于实现精准商品推荐与客户关系管理具有重要意义。基于现有研究不能充分抓住用户与商品间复杂的多层次交互关系，本研究从多层次交互的视角，提出一种用户与商品的多层交互预测模型RPMIA。该模型在三个信息粒度层面学习揭示用户与商品的交互关系，很好地实现从交互关系到精准评估预测，并可为预测结果提供较好的可解释性。

具体来说，RPMIA首先采用多头交叉注意力机制来捕捉物品和用户上下文之间的交互。随后，其利用一个基于双层门控的机制来提取物品和用户的方面，并通过自注意力机制在方面级别上学习它们的交互。最后，用户和物品的方面通过联合注意力机制耦合在一起，形成有意义的用户-物品方面对（UIAP）。在此基础上，作者设计了一个结合因子分解机和前馈神经网络的多任务预测器，并在真实世界的数据集对RPMIA进行了实证评估。

RPMIA模型的关键模块如下：

（1）上下文感知交互模块：

用户评论和物品描述提供了关于用户偏好和物品特征的多样化且互补的上下文信息。评论文本的不同部分可能与物品的不同方面具有不同程度的相关性。例如，一条称赞智能手机电池续航的句子特别针对“电池续航”这一方面，而另一条关于相机分辨率的句子则针对“相机”方面。提取上下文有助于识别文本中哪些部分与不同方面相关。现有的提取评论上下文的方法通常使用卷积神经网络（CNN）或基于注意力的CNN，但这些方法无法从不同视角捕捉上下文相关性。在上下文模块中，我们采用了多头交叉注意力机制与CNN生成的上下文相结合的方式，使模型能够区分并适当权衡上下文对用户观点和物品方面的贡献，并确保模型充分利用可用的上下文数据，这对于准确的评分预测至关重要。

（2）方面感知交互模块：

用户评论反映了个人体验和偏好，而物品描述则侧重于产品特性和品质。通常可以预期，用户更有可能在在线客户评论（OCRs）中对那些对他们来说更为重要的产品特性进行评论。因此，了解用户在评论中提及的产品方面对于理解其在产品方面的偏好以及做出更准确的评分预测非常有价值。现有的从评论中提取方面的方法通常依赖于主题建模，这种方法无法通过学习方面与评分之间的深层关联关系来识别对评分预测有价值的方面。在方面感知交互模块中，我们设计了一个基于双层门控的机制和一个自注意力机制，以从上下文中提炼出最相关的方面，并突出不同方面的相对重要性。

（3）UIAP感知交互模块：

在现实中，用户对同一物品的不同方面可能持有不同的看法，而不同方面对同一用户的重要性也可能不同。例如，用户对物品耐用性的重视与物品的制造质量形成了一个有意义的方面对。为了反映用户观点和物品方面对评分预测的联合影响，在本模块中，我们提出了一个称为“用户-物品方面对”（UIAP）的概念，并采用联合注意力机制将提取的用户方面和物品方面耦合在一起，形成有意义的方面对。这种方法使RPMIA能够聚焦于特定用户偏好和相应的物品特性，这些因素共同影响评分。

我们对RPMIA模型进行了实证评估，以评估其在评分预测中的整体性能，并将其与最先进的基线模型的性能进行了比较，探讨了各个设计组件对RPMIA性能的影响，并研究了RPMIA的可解释性。

第一作者简介

余力，中国人民大学信息学院教授，博士生导师，信息系支部书记兼副系主任。研究方向为大数据分析与应用、推荐系统与智能决策、商务智能与数据挖掘等。主持项国家自然科学基金、教育部人文社科、北京市自然科学基金、北京市社科基金等科研项目10多项。在IJOC、TOIS、DS、DSS、TKDD、I&M、计算机学报、人大学报，及SIGIR、ICIS、PACIS等信息管理顶级期刊与会议发表论文80多篇，出版专著1部，获中国人民大学科研成果优秀奖、教学优秀奖、优秀党员，教学成果一等奖；北京市青年优秀科技论文二等奖等。