多任务学习推荐和解释Why I like it: Multi-task Learning for Recommendation and Explanation

摘要

提出了一种新的多任务推荐模型，该模型通过矩阵因子分解和对抗序列和序列学习相结合的方法，实现了对评价的预测和对评价的解释。使用真实数据集对结果进行评估，以证明与最先进的替代方案相比，评估结果具有更好的评级预测性能，同时产生有效的、个性化的解释。

实现原理：

作者利用评论可以看做是对用户评分的解释，先自动生成用户、项目相应的评论作为推荐数据的新的额外信息来源，然后将sequence-to-sequence 学习模型和MF进行联合训练，进行评分预测和增强推荐的可解释性。

算法：

MF   +  sequence-to-sequence（利用sequence autoencoder来学习文本特征）

构建模型过程中用到的具体方法：

利用adversarial seq2seq 学习模型来生成评论，然后，引入了a context-aware extension of the probabilistic matrix factorization model（概率矩阵分解模型的上下文感知扩展），该模型包含了从评论文档中学习到的文本特性。最后，我们提出一个多任务学习模型，该模型同时学习执行评级预测和评审生成，然后是一个优化参数的计算框架。

     1.对抗Sequence-to-Sequence学习