#Paper Reading# RSLIME: An Efficient Feature Importance Analysis Approach for Industrial RS

论文题目: RSLIME: An Efficient Feature Importance Analysis Approach for Industrial Recommendation Systems
论文地址: 暂无
论文发表于: IJCNN 2019（CCF C类会议）

论文大体内容：
本文主要介绍了爱奇艺团队用一个类似于LIME[1]的算法——RSLIME（Recommen- dation System Boosted Local Interpretable Model-Agnostic Explanations Method）来解释其推荐算法的特征重要性。相比LIME算法，RSLIME是其工业实现的版本，使用了Map-Reduce的思想去解决multi-case的累计feature importance计算。

Motivation：
在推荐系统中使用DNN模型，能取到很好的效果，但是有一个问题是DNN模型很难进行特征重要性分析，导致推荐团队在特征工程/结果分析的时候很难对特征部分进行有效分析。

Contribution：
本文作者提出使用类似于LIME的算法——RSLIME来解决这个问题，并给出工业界的实现方法。

1. 爱奇艺推荐团队在小视频推荐中遇到的4大难题是新鲜度、冷启动、多样性、兴趣转移；

2. 在Recall-Rank的推荐架构中，出现问题的时候，往往Recall可以很容易解释，Rank很难解释。如一个视频在某路召回中为什么能够出现，关注其trigger即可，但是为什么这个视频能排上来，这就需要对特征重要性分析，才能很好的解释，而这一点，在DNN模型中，是比较难分析的；

3. 本文作者提出RSLIME算法，有以下特性：
①与模型无关；
②输入越多，估计越准确；
③对稀疏特征高效；

4. 爱奇艺推荐团队的小视频Rank模型如下，类似于DeepFM，但是加上了预训练的GDBT模型的输入到FM中；

5. 特征重要性分析方法包括：
①信息增益；
②主成分分析（PCA）；
③AUC；

6. 架构如下，包括single case和multi-case；

实验
7. RSLIME需要回答3个问题：
①能否清晰地解释推荐原因；
②特征重要性能否准确地表示；
③能否帮助特征选择；

8. Dataset
①爱奇艺推荐团队实际场景的数据；

9. Baseline
①GBDT；

10. Metric
①AUC；

11. 实验结果
①可以根据TopN的正向feature和负向feature，看出一个视频推出的原因，这里包含3个最重要的特征：short-term preference（近期看过的相似的视频）、发布时间、long-term preference（长期兴趣）；最负向的特征是短时间内看过的不相似的视频；

②通过GBDT得出的Top10 feature importance与RSLIME得出的基本一致；

③S3（用户last 3个session的兴趣）和S5（last 5个session的兴趣）作为特征都对AUC产生positive的影响，S3比S5效果好，AUC的变化趋势和RSLIME得出的特征重要性结论一致；

参考资料： 
[1] https://blog.csdn.net/John159151/article/details/94363740
[2] https://zhuanlan.zhihu.com/p/70416523

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！