Prediction of User Interest by Predicting Product Text Reviews

Abstract

La mayoría de los sitios web de compras de artículos actualmente proporcionan servicios de redes sociales (SNS) para recopilar las opiniones de sus usuarios sobre los artículos disponibles para adquisición. Esta información se usa a menudo para reducir la sobrecarga de información y mejorar tanto la eficiencia del proceso de marketing como la experiencia del usuario como la experiencia de usuario mediante su modelado y la hiper-personalización de contenidos. Considerando que una variedad de sistemas de recomendación se centran casi exclusivamente en clasificar los elementos, pretendemos extender este enfoque básico prediciendo los conjuntos de palabras que los usuarios usarían si expresaran su opiniones e intereses sobre artículos aún no revisados. Para ello, nos focalizamos en la consistencia interna de nuestro modelo obteniendo información a través del análisis lingüístico, técnicas de filtrado colaborativo y métodos de factorización matricial. A pesar de estar en una etapa temprana de desarrollo, discutimos algunos resultados alentadores para resolver esta problemática y enunciamos algunos desafíos de este nuevo enfoque.Most item shopping websites currently provide social net- work services (SNS) to collect their users’ opinions on items available for purchasing. This information is often used to reduce information overload and improve both the efficiency of the marketing process and user’s expe- rience by means of user-modeling and hyper-personalization of contents. Whereas a variety of recommendation systems focus almost exclusively on ranking the items, we intend to extend this basic approach by pre- dicting the sets of words that users would use should they express their opinions and interests on items not yet reviewed. To this end, we pay careful attention to the internal consistency of our model by relying on well-known facts of linguistic analysis, collaborative filtering techniques and matrix factorization methods. Still at an early stage of development, we discuss some encouraging results and open challenges of this new approach.