[旧物归档] 论文观后感-版本敏感系统VSR

旧物归档 [gitpage=>csdn]
这是我早期写的论文观后感，观点稚嫩且不准确，权当我瞎说。

Lin J, Sugiyama K, Kan M Y, et al. New and improved: modeling versions to improve app recommendation[C]// International ACM SIGIR Conference on Research & Development in Information Retrieval. ACM, 2014:647-656.

主题

本文建立了一个新型的软件推荐系统（称为版本敏感系统VSR），并与传统推荐系统相结合。不同于传统静态推荐系统（软件属性静态，不随软件的更新而变化），它从软件源码、软件更新日志中提取“潜在主题”（latent topic）并建立“兴趣表”，根据每个用户的“兴趣表”为这些潜在主题打分，得到该软件对于该用户的兴趣分数，随后系统为该用户推荐分数靠前（k位）的软件。

a. 创新点

1. 该系统对版本敏感。用户甲对软件A不感兴趣，因此A在推荐系统里的“分数”极低（A并不会被系统推荐），但A更新后，A的潜在主题吸引甲，推荐系统提高A的“分数”，向甲推荐A。
2. 新型的打分机制（式4、5、6、7）。同样的更新内容在不同的软件类别下拥有不同的权重。
3. 提取潜在主题的方法Topic model中添加前置信息（pseudo-terms），使提取的潜在主题与软件的版本、类别相关联。

核心算法

使用5折交叉验证，每折交叉验证，随机选取样本中20%的用户作为目标用户，用于接受系统的推荐。对于目标用户，剔除前25%的最近最多下载软件（意味着这类软件该用户最感兴趣）。训练样本中，70%提取潜在主题，得到用户的“兴趣表”，30%投入GTB训练。通过上述过程确定系统中使用的参数，从而完善推荐系统。

如何评价推荐系统的好坏：被剔去的那25%的软件是否重新出现在推荐表中。

下面是算法各步的详细说明。

b. 提取潜在主题

使用文档主题生成模型（topic model）LDA与LLDA。将软件版本与类别（genres）作为pseudo-terms以#为头“插入”到将要处理的软件文本中，即潜在主题将会含有版本、类别信息。上述工作记作“inj+”。

插入的版本信息，有标准版本类别（categories）与复杂版本类别。

c. 构建用户“兴趣表”

“兴趣表”由用户下载的全部软件的潜在主题构成。用户评价这些软件（对这些软件打分）是5分制，2分及其以下为“否”（不喜欢），3分及其以上为“是”（喜欢）。

受欢迎程度按论文式（6）计算。

d. GTB训练

按上述步骤得到软件的潜在主题、用户的“兴趣表”，按论文式（7）计算软件的推荐分数。该推荐分数与用户实际评价分数作为特征量输入GTB，GTB输出该推荐系统的预测准确度。

GTB用于VSR与一般推荐系统CF、CBF以及混合系统CF+VSR、CBF+VSR、CF+CBF+VSR推荐效果的对比，以此知晓VSR的引入是否会提升一般推荐系统的推荐效果。

感悟

本论文最终从统计学上发现，VSR的决定性特征量是类别，VSR的混合推荐系统比最新协同过滤系统（a state-of-the-art collaborative filtering system）更好。遗憾的是，由于我见识不足，式4至式7是怎么创建的，并没有任何头绪，能够创造行之有效的式子，对此我十分佩服。

该系统推荐的软件有如下前提：

1. 类别继承。软件更新后，会继承该软件上一个版本的类别。
2. 完备准确的归类。软件经由正规商店发行，它的类别（genres）是准确无误的。
3. 变得更好。“A version that was rated poorly in the past may receive more favorable ratings for later versions.”

既然有假设，那么拿掉这些假设，就会出现局限性：

该系统推荐的软件来自Apple Store与Google Play，并不适合中国国情（盗版软件与无良内容提供商横行），所以若想将该系统搬至国内，需要考虑更多问题，例如针对安卓用户，该选用哪个内容提供商，这个提供商提供的数据是否准确。再者，软件评分存在刷好评嫌疑，本文爬取的评价是否真实可靠。