一个研究生的推荐系统学习记录

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...

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...

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...

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...

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...

阅读日期：2020.5.14gitHub地址：KGAT研究目的　　本文主要利用 协同过滤 的思想，通过 图神经网络 的技术，研究了在推荐任务中引入 知识图谱 和用户行为数据，发掘高阶信息作为边信息，进而增强根据用户与物品的交互来预测用户偏好的问题，从而提供更加准确、更多样和更易于解释的推荐。　　发现问题　　目前，利用协同知识图谱（CKG, collaborative knowledge graph）进行推荐的工作可以分为两大类：Path-based methods在KG中提取携带高阶.

论文地址：https://dl.acm.org/doi/10.1145/3292500.3330857实现代码github：https://github.com/WeiyuCheng/FIA-KDD-19一、发现问题目前两类关于LFM的解释推荐结果方法都存在一定的缺点：Interpreting with External Data Sources 利用外部信息源表达潜在维度的语义...

阅读日期：2020.2.18论文题目：《Reinforcement Knowledge Graph Reasoning for Explainable Recommendation》发现问题：利用知识图谱进行推荐，现有的研究方向： ①利用知识图嵌入作为丰富的内容信息来提高推荐性能 ②利用知识图中的实体和路径信息做出可解释的决策存在的问题： ①解释路径本质上是事后解释，因为它们是在相...

阅读日期：2020.3.7论文题目：《Persona-Aware Tips Generation》主要贡献：开发了一个框架来处理角色感知的tips生成任务，在该框架中，诸如措辞风格和词汇偏好等角色信息被首次考虑来生成个性化tips。为了利用persona信息，设计了一种基于对抗变分自动编码器(aVAE)的方法来为用户和物品【目的：个性化协同影响。（为用户u生成tips时，模型也会考虑与u...

阅读日期：2020.3.5论文题目：《Transparent, Scrutable and Explainable User Models for Personalized Recommendation》发现问题：现有推荐系统：①透明度：由于算法过于复杂，或系统提供者进行了保护措施，使得现有推荐系统的透明度不高，仅提供一些justification（可能与推荐算法不相关的描述）。②可检查性...

阅读日期：2020.2.27论文题目：《RecoNet: An Interpretable Neural Architecture for Recommender Systems》发现问题【解决方法】：神经网络运用于推荐具有较高的预测精度，但由于训练时间长；可解释性差，现有的应用需要通过黑盒解释工具才能生成解释。【提出了一个神经结构简单的推荐系统】矩阵分解MF：MF可以很好地预测评分或偏...

阅读日期：2020.2.25论文题目：《The FacT: Taming Latent Factor Models for Explainability with Factorization》发现问题：现有的可解释推荐领域受限的原因：解释的可靠性和推荐的质量长期以来被认为是不可调和的（基于内容的CF）。LFM潜因子模型是现代推荐系统中最有效准确的方法，但其统计结构复杂，难以解释。虽然已...

阅读日期：2020.2.13-2.14论文题目：《“Told You I Didn’t Like It”: Exploiting Uninteresting Items for Effective Collaborative Filtering》发现问题：一些算法面临数据稀疏问题，会考虑加入额外信息如点击次数、书签等，成本较高且这些数据也可能有数据稀疏问题。一些算法简单化地将未评级的物品...

阅读日期：2020.2.12论文题目：《How Much Novelty is Relevant? It Depends on Your Curiosity》主要贡献：提出了一个新奇的基于好奇心的推荐系统(CBRSs)框架，将推荐过程中的相关性和好奇心结合起来基于心理学中发展起来的冯特曲线，建立了一个被称为概率好奇心模型(PCM)的计算模型来模拟用户的好奇心提出了两种策略，考虑到推荐内...