一、论文的highlights
1. We propose a review-based model to obtain sentiment ratings.
提出基于评论的模型来获得情感分。
2. We design a new reliability scheme for review and rating.
设计了一个评分和评论的可靠度机制。
3. Ratings and review sentiment ratings used for prediction in a matrix factorization framework.
在矩阵分解框架中使用评分和评论情感分进行预测。
二、实验部分
1. 评论的情感分析
1）用所有评论训练得到Word2vec，每个单词都有一个对应的向量（维度默认100）；
2）将数据集分为训练集合测试集，并将评论转化为数值矩阵（一个单词对应一个1*100的向量，一句话为一个n*100的矩阵，n为句子的单词个数）
（目前做到了这个部分）
3）使用lstm网络将评论转为情感分，输入是评论的数值矩阵，输出是一个数（评论的情感分）。
2. 评分和评论可靠性
1）对于评分和情感分差距不大的用户项目对，取其均值为最终评分。
2）对于评分和情感分差距较大的用户项目对，之前讨论的想法是：通过用户邻居（朋友）以投票的方式确定以评分为主还是以评论为主。将评论转化为情感分后问题从 “评分和评论哪个可靠？” 变成了 “两个分数哪个更真实？”。投票的方式具体化为分数的距离。由邻居分数的加权和确定评分可靠还是评论情感分可靠
例：用户 u 对项目 i 有评分 5 和评论情感分 4，u 有 3 个邻居，设 3 个邻居对项目 i 的平均分为 4.3 分，则将用户 u 对项目 i 的最终评分置为 4 分。
3）邻居关系可以由数据集提供或由相似的项目交互记录确定。
3. 矩阵分解部分
使用前面得到的用户对项目的最终得分进行矩阵分解。
问题：
1. 在网上找了一个基于lstm的文本分类代码，在这个基础上进行修改。目前工作为：
1）原代码分析的文本是中文，要改为英文；
2）网上大多数文本分析做的是二分类或三分类任务，要修改网络结构。
2. 可靠性部分，邻居的分数能否确定。