推荐算法论文阅读 Explicit Factor Models for Explainable Recommendation

可解释推荐的显式因素模型

陌生词汇

factorization：分解 render：提供 preliminary：先前的 overview：综述

corpus：语料库 lexicon：词典 entry：条目 exposition：阐述

polarities：极性、对立 | 构建细致层面的 | 利用细致层面的 | 潜在的核心

negation：否定 exposit：阐述 coefficient：系数 sketch：概述

meticulously：精心地 informed：明智的 ratio：比率 Lagrange：拉格朗日

the wisdom of crowds：群体智慧

Without lose of generality：不失一般性

通常情况下，在各种潜在因子模型中计算密集型的算法会导致生成解释的过程具有挑战性

在以预测精度为代价的情况下，在于采用易于理解的简明模型，则会放弃对模型可解释性的追求；而若放弃对模型可解释性的追求，则倾向于采用精确度更高的潜在因子分解建模方法。这一问题是否能得到解决？值得庆幸的是：随着情感分析技术的进步以及网络环境中海量用户评论数据的大规模生成趋势的发展状况

在回顾了相关工作的基础上（第二部分），我们在第三部分提供了详尽的方法说明，并详细介绍了模型学习算法。随后，在第四部分中详细描述了离线实验的设计方案及其结果验证过程；同时展示了该方法在性能等级预测以及top-K推荐方面的效果；第五部分则进行了在线实验测试，并直观地解释了其效果。最后，在第六部分总结了本研究的主要局限性，并提出了未来可能的研究方向。

现在有些推荐解释往往过于简化了原因的真实情况，并且难以在非社会环境中生成。然而，在通过显式特征进行推荐时的一个显著优势是其能够为被推荐和未被推荐的项目提供直观且合理的理由说明。

第一阶段：构建情感字典（Sentiment Lexicon Construction） ：L

分为3步 1.提取feature word set F

2.提取意见词集合O，并尽可能与特征词配对。这就产生了特征观点对(F, O)。

3.给(F，O)对贴极性标签，最终构成了L中的(F, O, S)

第二阶段：

辨识消费者在评论文本中提到的具体词汇条目及其情绪极性的走向是否发生改变

第三阶段：用户特征注意矩阵（User-Feature Attention Matrix）

Formulate a user-feature attention matrix X, where each entry reflects how much a user is attentive to the corresponding product features or aspects.

第四阶段：Item-Feature Quality Matrix

We also build the item-feature quality matrix Y, where each element represents the quality of an item in terms of its corresponding product features/aspects.

第五阶段：Integrating Explicit and Implicit Features

第六阶段：Model Learning for EFM

提出了EFM算法，可以参考 <>

第七阶段：Personalized Recommendation（个性化推荐）

1.根据上面得到的参数矩阵计算出Rij

2.给出特征级别的解

离线结果

对一些参数的分析

论文疑问

However, the accuracy of rating predictions isn't necessarily tied to the performance in practical applications.

（等级预测的准确性并不一定与性能相关）