一个研究生的推荐系统学习记录

跨域推荐库RecBole-CDR，与Recbole有一些差异，在学习过程中通过查看源代码获取具体的信息，特在此记录以备后续查看。

3.Explainable Recommendation Models许多流行的可解释推荐方法都是基于模型的方法，即推荐和解释都是由一个可解释的模型提供的。该模型可以基于矩阵/张量分解、因式分解机、主题建模或深度学习进行设计。在本节中，我们将介绍基于模型的可解释推荐方法。3.1 Overview of Machine Learning for Recommendation　　基于模型的可解释...

6.Open Directions and New Perspectives在本节中，我们将讨论可解释推荐的一些开放的研究方向和新的研究视角。　　6.1 Explainable Deep Learning for Recommendation　　研究界一直在为可解释推荐开发可解释的深度学习模型。目前的方法侧重于设计深度模型来生成伴随推荐结果的解释。这些解释可能来自于文本、图像或视频帧的注意...

4.Explainable Recommendation in Different Applications可解释推荐方法的研究和应用跨越了许多不同的场景，如可解释的电子商务推荐、可解释的社交推荐、可解释的多媒体推荐等。　　在本节中，我们将回顾不同应用中可解释的推荐方法。本节中的大部分研究论文已经在前面的章节中介绍过了。相反，我们根据它们的应用场景来组织它们，以帮助读者更好地理解当前可解释的推...

4.Evaluation of Explainable Recommendation在本节中，我们将对可解释推荐的评估方法进行回顾。如果一个可解释推荐模型能够获得与传统的“不可解释”方法相当甚至更好的推荐性能，同时又能获得更好的可解释性，那就更好了。　　为了评估推荐性能，我们可以采用与评估传统推荐算法相同的方法。对于评分预测任务，我们可以使用平均绝对误差(MAE)或均方根误差(RMSE)，而对...

ABSTRACT可解释推荐尝试开发一种不仅生成高质量的推荐，而且生成直观的解释的模型。解释可以是事后的，也可以直接来自可解释的模型(在某些上下文中也称为可解释的或透明的模型)。可解释推荐尝试解决为什么的问题:通过向用户或系统设计人员提供解释，它帮助human理解为什么算法推荐某些物品，而human既可以是用户，也可以是系统设计人员。可解释推荐有助于提高推荐系统的透明度、说服力、有效性、可信度和满...

2.Information Source for Explanations解释是显示给用户的一段信息，解释为什么推荐某个特定物品。推荐解释可以从不同的信息源生成，并以不同的显示方式呈现，例如，一个相关的用户或物品，一个雷达图，一个句子，一个图像，或者一组推理规则。此外，对于同一推荐可能存在许多不同的解释。　　这一部分将总结以下对推荐结果的解释采用不同的展现形式的各种方法，下图来自原文，图片左边...

阅读日期：2021.8.27论文地址：论文来源（我阅读的是arxiv上的预印版）论文信息：Ye Bi, Liqiang Song, Mengqiu Yao, Zhenyu Wu, Jianming Wang, and Jing Xiao. 2020. DCDIR: A Deep Cross-Domain Recommendation System for Cold Start Users in Insurance Domain. Proceedings of the 43rd Internationa.

阅读日期：2021.6.5论文地址：论文来源论文信息：Zhao C, Li C, Fu C. Cross-domain recommendation via preference propagation GraphNet[C]//Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019: 2165-2168.发现问题现有的“潜在空间中进行知识迁移”的跨领.

摘选自《Recommender Systems Handbook》—— “27.5.1 Linking Domains”  本文主要针对跨领域推荐中知识链接类方法进行概述。在介绍具体内容前将相关的基础知识加以介绍。跨领域推荐面临的关键问题数据的有效选取　　由于存在许多能够对目标域进行信息补充的领域，每个辅助域中又有许多潜在的可利用数据。不同辅助域内的信息能够提供的贡献程度有所不同，选取不合理的话甚至可能产生反向效果。因此，面对海量的真实数据，合理选取出对推荐性能的提升更有帮助的数据是跨领.

阅读日期：2020.7.9论文地址：论文来源研究目的　　跨领域推荐的场景下，通过知识图谱挖掘的语义信息来连接不同领域，利用协同过滤中矩阵分解的思想来解决其中的用户冷启动问题。发现问题冷启动问题：通过跨领域推荐的方式（源领域数据解决目标域中缺少用户偏好）来解决大多数跨领域推荐仅采用协同过滤的方式，而没有考虑项目的内在信息： 由于不同领域间的内容具有异构性，采用CF方式能够避免对项目内容进行分析；语义网和链接数据能够提供大量结构化的、相互链接的metadata这些元数据代表了一个潜在的信.