Online reviews and ratings play an important role in shaping the purchase decisions of customers in e-commerce. Many researches have been done to make proper recommendations for users, by exploiting reviews, ratings, user profiles, or behaviors. However, the dynamic evolution of user preferences and item properties haven’t been fully exploited. Moreover, it lacks fine-grained studies at the aspect level. To address the above issues, we define two concepts of user maturity and item popularity, to better explore the dynamic changes for users and items. We strive to exploit fine-grained information at the aspect level and the evolution of users and items, for dynamic sentiment prediction. First, we analyze three real datasets from both the overall level and the aspect level, to discover the dynamic changes (i.e., gradual changes and sudden changes) in user aspect preferences and item aspect properties. Next, we propose a novel model of Aspect-based Sentiment Dynamic Prediction (ASDP), to dynamically capture and exploit the change patterns with uniform time intervals. We further propose the improved model ASDP+ with a bin segmentation algorithm to set the time intervals non-uniformly based on the sudden changes. Experimental results on three real-world datasets show that our work leads to significant improvements.

中文翻译：

---

利用产品评论中的时间动态进行方面级别的动态情绪预测

在线评论和评级在塑造电子商务客户的购买决策方面发挥着重要作用。通过利用评论、评级、用户资料或行为，已经进行了许多研究来为用户提供适当的推荐。然而，用户偏好和项目属性的动态演变尚未得到充分利用。此外，它缺乏方面层面的细粒度研究。针对上述问题，我们定义了用户成熟度和物品流行度两个概念，以更好地探索用户和物品的动态变化。我们努力利用方面级别的细粒度信息以及用户和项目的演变，进行动态情绪预测。首先，我们从整体层面和方面层面分析三个真实数据集，以发现动态变化（即，用户方面偏好和项目方面属性的渐变和突然变化。接下来，我们提出了一种基于方面的情感动态预测（ASDP）的新模型，以动态捕获和利用具有统一时间间隔的变化模式。我们进一步提出了改进的模型 ASDP+ 与 bin 分割算法，以根据突然的变化来非均匀地设置时间间隔。三个真实世界数据集的实验结果表明，我们的工作带来了显着的改进。我们进一步提出了改进的模型 ASDP+ 与 bin 分割算法，以根据突然的变化来非均匀地设置时间间隔。三个真实世界数据集的实验结果表明，我们的工作带来了显着的改进。我们进一步提出了改进的模型 ASDP+ 与 bin 分割算法，以根据突然的变化来非均匀地设置时间间隔。三个真实世界数据集的实验结果表明，我们的工作带来了显着的改进。