DeepSentRec: een deep learning-gebaseerd aanbevelingssysteem met sentimentbewustzijn

Waarom slimere suggesties ertoe doen

Elke keer dat je online winkelt, een serie binget of restaurantrecensies doorleest, bepalen onzichtbare algoritmes wat je daarna ziet. Toch missen deze systemen vaak iets cruciaals: hoe je je werkelijk voelt over wat je koopt of bekijkt. Dit artikel introduceert DeepSentRec, een nieuw aanbevelingskader dat probeert niet alleen te lezen wat je aanklikte, maar ook de toon van je geschreven recensies — je enthousiasme, teleurstelling of onverschilligheid — en dat emotionele signaal gebruikt om toekomstige suggesties op een menselijkere manier af te stemmen.

Van sterren naar echte gevoelens

De meeste bestaande aanbevelingsmotoren leunen sterk op cijfers: sterbeoordelingen, vorige klikken en aankoopgeschiedenis. Ze behandelen gebruikersrecensies meestal als lange, rommelige tekst die moeilijk op schaal te gebruiken is. Daardoor lopen ze rijke aanwijzingen mis, zoals of een drie-sterrenbeoordeling met tegenzin werd gegeven of met milde lof. Eerder onderzoek heeft aangetoond dat het opnemen van sentiment — het positieve, neutrale of negatieve gevoel in tekst — personalisatie kan verbeteren, maar veel systemen voegen dit nog toe als een oppervlakkige extra in plaats van het centraal te stellen in hoe aanbevelingen worden gevormd en gerangschikt.

Drie componenten die samenwerken

DeepSentRec is ontworpen als een driedelig pijplijn die emoties, gedrag en leren uit feedback in één lus verweeft. Ten eerste leest een sentimentmodule genaamd SentimentBERT recensietekst en produceert een fijnmazig emotioneel vingerafdruk voor elke recensie, niet slechts een simpele duim omhoog of omlaag. Ten tweede mixt een hybride aanbevelingsmodule twee wereldbeelden: mensen die zich zoals jij gedroegen (collaborative filtering) en producten waarvan de recensies vergelijkbare betekenissen en gevoelens dragen (semantische gelijkenis). Ten derde herschikt een learning-to-rank-module gebaseerd op reinforcement learning continu de volgorde van voorgestelde producten afhankelijk van hoe gebruikers reageren — of ze klikken, kopen of items negeren.

Leren van vele stemmen

Om te testen of deze architectuur mensen daadwerkelijk helpt relevantere items te vinden, trainden en evalueerden de auteurs DeepSentRec op vier grote, real-world datasets: Amazon productrecensies, Yelp bedrijfsrecensies, IMDB filmrecensies en een Kaggle-collectie van e-commerce feedback. Voordat er enige training plaatsvindt, wordt de tekst zorgvuldig opgeschoond en opgesplitst in stukken die geschikt zijn voor moderne taalmodellen. SentimentBERT wordt eerst getraind op goed gelabelde filmrecensies en vervolgens fijngetuned op Amazon en Yelp, zodat het zich kan aanpassen aan verschillende schrijfstijlen en domeinen. Het systeem bouwt ook compacte representaties van hoe elke gebruiker met elk product omgaat en combineert die met sentimentbewuste tekstembeddings om een rijker beeld van smaak te creëren.

Feedback omzetten in betere rangschikkingen

Het meest onderscheidende onderdeel van DeepSentRec is hoe het rangschikken behandelt als een doorlopend gesprek in plaats van een statische berekening. Met behulp van een reinforcement learning-techniek genaamd Proximal Policy Optimization ziet het systeem elke gerangschikte lijst als een besluit en elke gebruikersreactie als een beloning of straf. Klikken, aankopen en overslaan worden allemaal in een score verwerkt die het model aanmoedigt items te benadrukken die langdurige betrokkenheid opleveren, niet alleen snelle klikken. In de loop van de tijd verbetert het rankingbeleid door verschillende ordeningen uit te proberen en die te behouden die leiden tot meer betekenisvolle interacties, zoals aankopen of herhaald gebruik.

Wat de resultaten laten zien voor echte gebruikers

Over de Amazon- en Kaggle-e-commercedatasets heen presteert DeepSentRec consequent beter dan traditionele methoden die alleen op verleden gedrag of eenvoudige tekstmatching vertrouwen. Het levert hogere precisie (een groter aandeel van de topaanbevelingen is daadwerkelijk relevant), betere recall (het vindt meer van de zaken die gebruikers belangrijk vinden) en sterkere maatstaven voor rangordekwaliteit. Het belangrijkste voor echte platforms is dat het de click-through rates verhoogt en een algemene betrokkenheidsscore verbetert die meerdere vormen van gebruikersreacties combineert. Ablatie-experimenten — het systematisch weghalen van componenten — tonen aan dat elk onderdeel ertoe doet: sentimentmodellering verhoogt de nauwkeurigheid, het hybride tekst-plus-interactie model verbetert de dekking, en de reinforcement learner vergroot verder hoe vaak gebruikers op de aanbevelingen reageren.

Wat dit betekent voor alledaagse aanbevelingen

In eenvoudige bewoordingen suggereert de studie dat aanbevelingsengines merkbaar beter worden wanneer ze luisteren naar wat je zegt in recensies net zo zorgvuldig als ze kijken naar wat je aanklikt, en wanneer ze blijven leren van je meest recente gedrag in plaats van uitsluitend op oude patronen te vertrouwen. DeepSentRec laat zien dat het combineren van emotionele toon, context uit tekst en continue feedback aanbevelingen kan opleveren die meer tijdig, relevant en persoonlijk aanvoelen. Hoewel het huidige werk zich richt op Engelstalige recensies en offline experimenten, wijst het op een nieuwe generatie systemen die zich in bijna realtime aanpassen en uitgebreid kunnen worden naar meerdere talen en domeinen, waardoor digitale ervaringen — van winkelen tot leren — beter aansluiten bij hoe mensen daadwerkelijk voelen en zich gedragen.

Bronvermelding: Kollu, S.R.P., Garapati, Y. DeepSentRec: a deep learning-based sentiment-aware product recommendation system. Sci Rep 16, 10580 (2026). https://doi.org/10.1038/s41598-026-45953-9

Trefwoorden: aanbevelingssystemen, sentimentanalyse, e-commerce personalisatie, deep learning, reinforcement learning