DeepSentRec: ett djupinlärningsbaserat rekommendationssystem med känsloförståelse

Varför smartare förslag spelar roll

Varje gång du handlar online, strömmar en serie eller bläddrar bland restaurangrecensioner bestämmer osynliga algoritmer vad du ser härnäst. Dessa system missar ofta något viktigt: hur du faktiskt känner för det du köper eller tittar på. Denna artikel presenterar DeepSentRec, ett nytt rekommendationsramverk som försöker läsa inte bara vad du klickade på utan också tonen i dina skrivna recensioner — din entusiasm, besvikelse eller likgiltighet — och använder den känslomässiga signalen för att skräddarsy framtida förslag på ett mer mänskligt sätt.

Från stjärnbetyg till verkliga känslor

De flesta befintliga rekommendationsmotorer förlitar sig tungt på siffror: stjärnbetyg, tidigare klick och köphistorik. De ser användarrecensioner mest som lång, rörig text som är svår att använda i stor skala. Som ett resultat förbiser de rika ledtrådar, som huruvida ett trestjärnigt betyg gavs med motvillig acceptans eller med mild beröm. Tidigare forskning har visat att integrering av sentiment — den positiva, neutrala eller negativa känsla som uttrycks i text — kan förbättra personaliseringen, men många system lägger fortfarande till detta som en ytlig extrafunktion i stället för att göra det centralt för hur rekommendationer bildas och rankas.

Tre hjärnor som samarbetar

DeepSentRec är utformat som en tredelad pipeline som väver in känslor, beteende och lärande från återkoppling i en och samma slinga. Först läser en sentimentsmodul kallad SentimentBERT recensionstext och producerar ett finmaskigt känslofingermärke för varje recension, inte bara en enkel tumme upp eller ner. För det andra blandar en hybridrekommendationsmodul två världsuppfattningar: människor som betedde sig som du (collaborative filtering) och produkter vars recensioner bär liknande betydelser och känslor (semantisk likhet). För det tredje omstrukturerar en learning-to-rank-modul baserad på förstärkningsinlärning kontinuerligt ordningen på föreslagna produkter beroende på hur användare reagerar — om de klickar, köper eller ignorerar artiklar.

Lära av många röster

För att testa om denna arkitektur faktiskt hjälper människor att hitta mer relevanta artiklar tränade och utvärderade författarna DeepSentRec på fyra stora, verkliga dataset: Amazons produktrecensioner, Yelps företagsrecensioner, IMDB filmrecensioner och en Kaggle-samling med e-handelsåterkoppling. Innan något lärande sker rengörs texten noggrant och delas upp i bitar som passar moderna språkmodeller. SentimentBERT tränas först på välmärka filmrecensioner och finjusteras sedan på Amazon och Yelp så att den kan anpassa sig till olika skrivstilar och domäner. Systemet bygger också kompakta representationer av hur varje användare interagerar med varje produkt och kombinerar dessa med sentimentmedvetna textinbäddningar för att skapa en rikare bild av smak.

Göra återkoppling till bättre rangordningar

Det mest utmärkande med DeepSentRec är hur det betraktar rankning som en pågående konversation snarare än en statisk beräkning. Med en tekniken för förstärkningsinlärning kallad Proximal Policy Optimization behandlar systemet varje rankad lista som ett beslut och varje användarreaktion som en belöning eller ett straff. Klick, köp och hopp över inkluderas alla i en poäng som uppmuntrar modellen att lyfta fram artiklar som ger långsiktigt engagemang, inte bara snabba klick. Med tiden förbättras rangordningspolicyn genom att prova olika ordningar och behålla de som leder till mer meningsfulla interaktioner, såsom köp eller återkommande användning.

Vad resultaten visar för verkliga användare

I Amazons och Kaggles e-handelsdataset slår DeepSentRec konsekvent traditionella metoder som bygger enbart på tidigare beteende eller enkel textmatchning. Det ger högre precision (en större andel av topprankade förslag är faktiskt relevanta), bättre återkallning (det hittar fler av det användarna bryr sig om) och starkare mått på rangordningskvalitet. Viktigast för verkliga plattformar är att det höjer klickfrekvenser och en övergripande engagemangspoäng som kombinerar flera sätt användare reagerar på. Ablationsstudier — systematiskt borttagande av komponenter — visar att varje del spelar roll: sentimentsmodellering förbättrar noggrannheten, den hybrida text-plus-interaktion-modellen förbättrar täckningen, och förstärkningsläraren ökar ytterligare hur ofta användare agerar på rekommendationerna.

Vad detta betyder för vardagliga rekommendationer

Enkelt uttryckt antyder studien att rekommendationsmotorer blir märkbart bättre när de lyssnar på vad du säger i recensioner lika noggrant som de observerar vad du klickar på, och när de fortsätter att lära av ditt senaste beteende i stället för att förlita sig enbart på gamla mönster. DeepSentRec visar att kombinationen av känslomässig ton, kontext från text och kontinuerlig återkoppling kan producera rekommendationer som känns mer tidsenliga, relevanta och personliga. Även om det aktuella arbetet fokuserar på engelskspråkiga recensioner och offline-experiment pekar det mot en ny generation system som kan anpassa sig i nära realtid och utvidgas till flera språk och domäner, vilket potentiellt gör digitala upplevelser — från shopping till lärande — mer i linje med hur människor faktiskt känner och beter sig.

Citering: 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

Nyckelord: rekommendationssystem, sentimentanalys, personaliserad e-handel, djupinlärning, förstärkningsinlärning