利用图注意力网络并基于感知复杂性与创新性改进个性化推荐系统

为何更智能的推荐很重要

每次你在网上购物时，背后都有一个隐形引擎在猜测你最可能喜欢哪些产品。这些引擎大多仅仅监测你的点击以及评论是正面还是负面。本文认为这种视角太浅薄。作者展示了理解产品在顾客眼中“易用程度”和“新颖或创新程度”能够显著提升推荐的满意度和准确性。他们构建并测试了一个新的推荐系统，该系统读取书面评论，学习这些更深层的感知特征，然后利用它们来建议更符合人们舒适度和新奇偏好的产品。

超越简单的点赞或差评

传统推荐系统高度依赖星级评分和基本的情感分析：评论是正面、负面还是中性？虽然有用，但这种做法忽略了重要的细微差别。一款小工具可能评分很高，却在设置上让人感到困惑，或者一件非常有创意的设备可能令一些顾客欣喜，而让另一些顾客不知所措。作者提出，两项常被忽视的因素——感知复杂性（产品看起来使用起来多简单或多困难）和感知创新性（感觉有多新颖或普通）——强烈影响一个人是否真的愿意购买并持续使用某产品。从评论的日常语言中捕捉这些特征，可以帮助将建议定制给偏好直观工具的用户，或偏好尝试前沿设计的用户。

教系统在评论中读出细微差别

为了利用这些更细微的信号，研究者从数千条亚马逊产品评论入手。人工标注者按照严格的指南与检查，为每条评论标注其所表达的复杂性和创新性感知，以确保标注者之间的一致性。随后，他们使用语言学研究的工具扩展这些标签：相关词典、词语情感度量以及可解释的人工智能技术，用以突出哪些词语对系统决策影响最大。此过程使他们能够在简单与困难、创新与普通的刻度上自动为新评论打分，同时保持标注规则的透明性和可审计性。

将顾客意见转化为知识网络

在评论被标注后，团队将每条评论转换为捕捉其语境含义的丰富数值摘要。他们使用一种现代语言模型，学习将相似句子在数学空间中放得很近，使得描述“易于设置”的评论聚类在一起，而描述“菜单混乱”的评论形成另一类。基于此，他们构建了一个图——一张连接网络——将具有相似感知复杂性和创新性模式的评论与产品连接起来。一种称为图注意力网络的专用模型随后学习在这张网络中聚焦最具信息性的连接，为预测某一商品是否应得到强烈、中等或弱推荐时，权衡哪些相关产品和评论最为重要。

平衡数据并解释选择

真实世界的数据通常是不平衡的：可能“推荐”产品远多于“不推荐”的，或反之。为避免系统偏向多数类，作者采用了一种为欠代表组生成现实感较强额外样本的技术，从而在不扭曲底层模式的情况下平衡训练池。他们还在学习过程中结合了权重策略，使模型对罕见情形给予公平关注。关键是，他们应用了可解释人工智能方法来检查系统如何得出决策，追溯哪些词语和评论模式最强烈地将某产品推向“是”“中等”或“否”推荐。这使得系统的行为对设计者、企业乃至潜在终端用户更易理解。

新系统的表现如何

所得系统名为 GAT-RS，经与若干强有力的现代基线方法对比测试，包括那些在评论分析上已表现良好的深度学习模型。GAT-RS 不仅与这些方法持平，还超过了它们，在大约每100个测试样本中正确分类约95个，并展示出很高的区分应当建议或不应当建议产品的能力。主要的剩余挑战在于区分边界案例——既不明显推荐也不明显拒绝的产品——但即便在这些情况下错误也相对有限。总体而言，该系统在识别确实值得自信推荐的商品方面表现尤为出色。

这对日常购物者意味着什么

简单来说，这项研究表明，推荐引擎可以做得比仅仅识别评论中的正面情绪更好。通过关注产品是否感觉简单或要求高，以及是否感觉经过验证或大胆新颖，系统能够将建议匹配到个人的思维风格和对新奇的好奇心。对购物者而言，这可能意味着减少因购买到过于复杂或过于平淡的商品而产生的遗憾，获得更多感觉自然契合的产品。对企业而言，这提供了一条通向更加可信且有效的推荐工具的路径，这些工具不仅准确，而且还能解释为什么最初推荐了某个商品。

引用: Ullah, S., Khan, A., Khan, K.U. et al. Improving personalized recommendations system using graph attention networks driven by perceived complexity and innovation. Sci Rep 16, 11286 (2026). https://doi.org/10.1038/s41598-026-41019-y

关键词: 个性化推荐, 产品评论, 图注意力网络, 感知复杂性, 感知创新性