Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives

推荐系统在帮助用户浏览海量产品和服务方面发挥着关键作用。在线平台上，用户可以通过数字评分、文本评论和喜欢/不喜欢等多种方式分享反馈。传统的推荐系统依赖于用户的显式评分或隐式交互（例如喜欢、点击、分享、保存）来学习用户的偏好和物品特征。除了这些数字评分外，文本评论提供了关于用户的细粒度偏好和物品特征的见解。分析这些评论对于提高个性化推荐结果的性能和可解释性至关重要。近年来，基于评论的推荐系统已成为该领域的一个重要子领域。在本文中，我们全面概述了评论推荐系统在近年来的发展情况，强调评论在推荐系统中的重要性以及从评论中提取特征和将其整合到评分中所面临的挑战。具体而言，我们提出了这些系统的分类，并总结了最先进的方法，分析了它们的独特特点、有效性和局限性。最后，我们提出了未来研究的潜在方向，包括多模态数据的整合、多标准评分信息和伦理考虑。

综述了基于评论的推荐系统的发展，探讨评论在推荐系统中的重要性以及从评论中提取特征和将其整合到评分中所面临的挑战。

基于评论的推荐系统可以通过分析用户对物品的细节偏好和物品特征来提高个性化推荐的性能和可解释性。

论文提供了分类和总结基于评论的推荐系统的最新方法，并探讨了未来研究的方向，包括多模态数据的集成、多标准评分信息和伦理考虑。

最近的相关研究包括“基于深度学习的评论情感分析和推荐系统”、“基于主题建模的评论推荐系统”和“基于知识图谱的评论推荐系统”等。