推荐系统总结MF->PMF->CTR->CDL->CNN

最新推荐文章于 2024-07-21 10:04:44 发布

冰鋒

最新推荐文章于 2024-07-21 10:04:44 发布

阅读量1.5w

点赞数 18

分类专栏：推荐系统机器学习文章标签：推荐系统

本文链接：https://blog.csdn.net/lmm6895071/article/details/75688936

版权

机器学习同时被 2 个专栏收录

15 篇文章 3 订阅

订阅专栏

推荐系统

7 篇文章 0 订阅

订阅专栏

推荐系统总结

推荐系统总结

首先进行数据集的分析，然后介绍矩阵分解方法（MF）、基于概率的矩阵分解（PMF）；
在此基础上介绍扩展方法：社交网络、隐语义模型、深度学习（CDL、CNN等）；
最后介绍标签推荐方法。

1.数据集分析

以movieLens为例，介绍一下现有数据集所包含信息：

评分信息
userID，itemID，rating*（这里的评分分为：1~5；或者{0,1}喜欢与否）*
item信息
itemID，text（文本描述，标题，题材）
标签信息
userID，itemID，tags
（标签信息可以进一步按照用户采集或者按照项目单独采集）
其他数据集：lastfm,豆瓣生态等
包含user-user之前的联系;

2.矩阵分解（MF）

用户评分矩阵 $R$ 分解成两个矩阵， $R^{'}=U^TV$ ， $R^{'}$ 的维度为 $N*M$
$U=\{u_1,u_2,...,u_{k-1},u_k\}$ ， $U$ 维度是 $k*N$ ，用户特征矩阵
$V=\{v_1,v_2,...,v_{k-1},v_k\}$ ， $V$ 维度是 $k*M$ ，项目特征矩阵
如图所示，矩阵分解是共享了一个向量空间，其中 $u_i$ 潜在向量如图，
这里写图片描述
计算平方损失：（只计算有评分的元素， $I$ 指示是否有评分， $I_{i,j}\in\{0,1\}$ ）

E = I (R - U T V) 2 = \sum i = 1 N \sum j = 1 M I i, j (r i, j - u T i v j) 2

$E=I(R-U^TV)^2=\sum_{i=1}^{N}\sum_{j=1}^{M}I_{i,j}(r_{i,j}-u_{i}^Tv_j)^2$

然后利用凸优化方法，偏导为零，然后迭代即可；

注：因为上式的优化是针对于有评分数据进行的，容易过拟合，加上正则项（二范数）：

E = I (R - U T V) 2 = \sum i = 1 N \sum j = 1 M I i, j (r i, j - u T i v j) 2 + λ (\sum i = 1 N | | u i | | 22 + \sum j = 1 M | | v j | | 22)

$E=I(R-U^TV)^2=\sum_{i=1}^{N}\sum_{j=1}^{M}I_{i,j}(r_{i,j}-u_{i}^Tv_j)^2+\lambda(\sum_{i=1}^{N}||u_i||^2_2+\sum_{j=1}^{M}||v_j||^2_2)$

扩展：不同用户对评分有不同的偏执；则

r i, j = μ + b i + b j + u T i v j

$r_{i,j}=\mu+b_i+b_j+u_i^Tv_j$

E = I (R - R') 2 = \sum i = 1 N \sum j = 1 M I i, j (r i, j - μ - b i - b j - u T i v j) 2 + λ (\sum i = 1 N | | u i | | 22 + \sum j = 1 M | | v j | | 22 + b 2 i + b 2 j)

$E=I(R-R^{'})^2=\sum_{i=1}^{N}\sum_{j=1}^{M}I_{i,j}(r_{i,j}-\mu-b_i-b_j-u_{i}^Tv_j)^2+\\\lambda(\sum_{i=1}^{N}||u_i||^2_2+ \sum_{j=1}^{M}||v_j||^2_2+b_i^2+b_j^2)$

再扩展：加入置信度，时间序列等等；
参考论文：matrix factorizatiom technigues for recommender systems

3.基于概率的矩阵分解（PMF）

假设参数服从正态分布：

f (x) = 1 2 π - - \sqrt σ * exp (- ( x - μ ) 2 2 σ 2)

$f(x)=\frac{1}{\sqrt{2\pi}\sigma}*\exp({-\frac{(x-\mu)^2}{2\sigma^2}})$

U∼N(0,σ2u) $U \thicksim \mathcal N(0,\sigma_u^2)$ ，

V∼N(0,σ2v) $V \thicksim \mathcal N(0,\sigma_v^2)$ ，

R−UTV∼N(0,σ2) $R-U^TV \thicksim \mathcal N(0,\sigma^2)$
并假设用户之间、项目之间独立：

P (U | σ 2 u) = \prod i = 1 N N (0, σ 2 u)

$P(U|\sigma_u^2)=\prod_{i=1}^{N}\mathcal N(0,\sigma_u^2)$

P (V | σ 2 v) = \prod j = 1 M N (0, σ 2 v)

$P(V|\sigma_v^2)=\prod_{j=1}^{M}\mathcal N(0,\sigma_v^2)$

P (R | U, V, σ 2) = \prod i = 1 N \prod j = 1 M [N (u T i v j, σ 2)] I i, j

$P(R|U,V,\sigma^2)=\prod_{i=1}^{N}\prod_{j=1}^{M}\left[\mathcal N(u_{i}^Tv_j,\sigma^2)\right]^{I_{i,j}}$
这里写图片描述

最大后验概率：

后验概率∝似然∗先验 $后验概率 \varpropto 似然 * 先验$

P (θ | X) = P ( X | θ ) P ( θ ) \int P ( X | θ ) P ( θ ) d θ \propto P (X | θ) P (θ)

$P(\theta |X)=\frac{P(X|\theta)P(\theta)}{\int_{} P(X|\theta)P(\theta)d\theta} \varpropto P(X|\theta)P(\theta)$

max U, V P (U, V | R, σ 2 u, σ 2 v, σ 2) \propto max U, V P (R | U, V, σ 2) P (U | σ 2 u) P (V | σ 2 v)

$\max_{U,V} {P(U,V|R,\sigma_u^2,\sigma_v^2,\sigma^2)}\varpropto \max_{U,V} P(R|U,V,\sigma^2)P(U|\sigma_u^2)P(V|\sigma_v^2)$
对数变换之后：

ψ (U, V) = - \sum i = 1 N \sum j = 1 M I i , j 2 σ 2 (r i, j - u T i v j) 2 - 1 2 σ 2 u \sum i = 1 N | | u i | | 22 - 1 2 σ 2 v \sum j = 1 M | | v j | | 22

$\psi(U,V)=-\sum_{i=1}^{N} \sum_{j=1}^{M}\frac{I_{i,j}}{2\sigma^2}(r_{i,j}-u_i^Tv_j)^2 -\frac{1}{2\sigma_u^2}\sum_{i=1}^{N}||u_i||^2_2 -\frac{1}{2\sigma_v^2}\sum_{j=1}^{M}||v_j||^2_2$
令

λU=σ2/σ2u $\lambda_U=\sigma^2/\sigma_u^2$ ，

λV=σ2/σ2v $\lambda_V=\sigma^2/\sigma_v^2$ ，
即

U∼N(0,λ−1UIK) $U \thicksim \mathcal N(0,\lambda_U^{-1}I_K)$ ，

V∼N(0,λ−1VIK) $V \thicksim \mathcal N(0,\lambda_V^{-1}I_K)$ ，

R∼N(UTV,C−1I) $R \thicksim \mathcal N(U^TV,C^{-1}I)$
化简上式为：

ψ (U, V) = - \sum i = 1 N \sum j = 1 M I i , j 2 (r i, j - u T i v j) 2 - λ U 2 \sum i = 1 N | | u i | | 22 - λ V 2 \sum j = 1 M | | v j | | 22

$\psi(U,V)=-\sum_{i=1}^{N} \sum_{j=1}^{M}\frac{I_{i,j}}{2}(r_{i,j}-u_i^Tv_j)^2 -\frac{\lambda_U}{2}\sum_{i=1}^{N}||u_i||^2_2 -\frac{\lambda_V}{2}\sum_{j=1}^{M}||v_j||^2_2$
观察：PMF最大后验概率的对数化结果与MF的最小化平方损失一致
最后按照随机梯度等方式进行优化获得

u,v $u,v$ 的迭代公式。

参考文献：Probabilistic Matrix Factorization

小结

矩阵分解方法是寻找用户、项目的矩阵，发现其潜在的特征，共享特征空间。
这种方法只是利用了评分矩阵矩阵信息，而且存在物品冷启动问题，通过引入物品文本特征，社交网络等信息，修正用户或项目向量，以期缓解冷启动问题。

4.扩展篇

这一节主要介绍在经典的矩阵分解模型上，融合更多信息来解决矩阵稀疏性问题。
社交的关联矩阵、物品的描述信息等；
方法是矩阵模型的正则扩展，或者深度学习；

4.1 隐语义模型（CTR=PMF+LDA）

引入：矩阵分解方法中存在数据稀疏问题，进而导致冷启动问题

从图（b)中，可以看出 $I_4,I_5$ 没有用户记录偏好信息，所以矩阵分解之后会有很大的偏差；为此引入Item 信息，Item使用LDA（topic model)方法，然后进行融合。

LDA模型：

从狄雷克类分布中获得主题分布 $\theta_j \thicksim Dirichlet(\alpha)$
对于文档 $d_j$ 中的每一个词语 $\mathcal w_{j,n}$ ：
（a）从主题多项式分布中获得一个主题 $\mathcal z_{j,n}\thicksim Mult(\theta_j)$ ；
（b）从词语-主题分布中获得一个词语 $\mathcal w_{j,n} \thicksim Mult(\beta_{\mathcal z_{j,n}})$
$P (W | d) = \prod i = 1 N \sum z n P (w n | z n) P (z n | d)$ $P(W|d)=\prod_{i=1}^{N}\sum_{z_n}P(w_n|z_n)P(z_n|d)$
$P (W, θ) = P (θ) \prod n = 1 N \sum z n P (z n | θ) * P (w n | z n, β) = P (θ) \prod n = 1 N \sum k θ j, k * β k, w j, n$ $P(W,\theta)=P(\theta)\prod_{n=1}^{N}\sum_{z_n}P(z_n|\theta)*P(w_n|z_n,\beta)\\ =P(\theta)\prod_{n=1}^{N}\sum_{k}\theta_{j,k}*\beta_{k,w_{j,n}}$

现在假定： $\epsilon_j \thicksim \mathcal N(0,\lambda_V^{-1}I_K)，则$

v j = θ j + ϵ j ， v j \sim N (θ j, λ - 1 V I K)

$v_j=\theta_j+\epsilon_j ，v_j \thicksim \mathcal N(\theta_j,\lambda_V^{-1}I_K)$ 所以

E [r i, j | u i, θ j, ϵ j] = u T i v j = u T i (θ j + ϵ j)

$E[r_{i,j}|u_i,\theta_j,\epsilon_j]=u_i^Tv_j =u_i^T(\theta_j+\epsilon_j)$

这里写图片描述

根据CTR的概率模型图可知：

max U, V P (U, V | R, λ U, λ V, C) \propto max U, V P (R | U, V, C) P (U | λ U) P (V | θ, λ V) P (θ | α, β)

$\max_{U,V} {P(U,V|R,\lambda_U,\lambda_V,\mathcal C)}\\\varpropto \max_{U,V} P(R|U,V,\mathcal C)P(U|\lambda_U)P(V|\theta,\lambda_V)P(\theta|\alpha,\beta)$
最大后验概率的对数形式：

ψ (U, V, θ) = max U, V ln P (U, V | R, λ U, λ V, C) = - \sum i = 1 N \sum j = 1 M I i , j 2 (r i, j - u T i v j) 2 - λ U 2 \sum i = 1 N | | u i | | 22 - λ V 2 \sum j = 1 M | | (v j - θ j) | | 22 + \sum j = 1 M \sum x = 1 X ln (\sum k θ j, k β k, w j, x)

$\psi(U,V,\theta)=\max_{U,V}{\ln{P(U,V|R,\lambda_U,\lambda_V,\mathcal C)}}\\ =-\sum_{i=1}^{N}\sum_{j=1}^{M}\frac{I_{i,j}}{2}(r_{i,j}-u_i^Tv_j)^2-\frac{\lambda_U}{2}\sum_{i=1}^{N}||u_i||_2^2 - \frac{\lambda_V}{2}\sum_{j=1}^{M}||(v_j-\theta_j)||_2^2 \\ +\sum_{j=1}^M\sum_{x=1}^X\ln(\sum_{k}\theta_{j,k} \beta_{k,w_{j,x}})$

有了优化公式，按照坐标上升法进行优化；
首先假设 $\theta$ 固定，计算 $U,V$ ；
然后固定 $U,V$ ，优化 $\theta$ .

预测：对于问题提出的图（b），使用 $\theta_j$ 代替 $v_j$ .

结果分析：
这里写图片描述
基于用户的召回率：

基于Item的召回率：
这里写图片描述

参考论文：Collaborative Topic Modeling for Recommending Scientific Articles KDD 2011

4.2 社交网络

CTR-SR 引入社交网络信息，介绍两种融合方式。

两个矩阵分解（2012 ICML）

Item信息直接使用CTR模型；
引入Q矩阵，代表user-user之间是否有联系；

$P (U, V, S | R, Q, λ U, λ V, λ S, λ Q, C) \propto P (R | U, V, C) P (Q | U, S, λ Q) P (U | λ U) P (V | θ, λ V) P (S | λ S) P (θ | α, β)$ $P(U,V,S|R,Q,\lambda_U,\lambda_V,\lambda_S,\lambda_Q,C) \\\varpropto P(R|U,V,C)P(Q|U,S,\lambda_Q)P(U|\lambda_U)P(V|\theta,\lambda_V)P(S|\lambda_S)P(\theta|\alpha,\beta)$
其中 $v_j \thicksim \mathcal N(\theta_j,\lambda_V^{-1}I_K)$ ;
最大后验概率的对数形式：
$ψ (U, V, S, θ) = - λ U 2 \sum i = 1 N | | u i | | 22 - λ V 2 \sum j = 1 M | | v j - θ j | | 22 - \sum i = 1 N \sum j = 1 M c i , j 2 (r i, j - u T i v j) 2 - λ S 2 \sum h = 1 H | | s h | | 22 - \sum i = 1 N \sum h = 1 H d i , h 2 (q i, h - u T i s h) 2 + \sum j = 1 M \sum x = 1 X ln (\sum k θ j, k β k, w j, x)$ $\psi(U,V,S,\theta)=-\frac{\lambda_U}{2}\sum_{i=1}^N||u_i||^2_2-\frac{\lambda_V}{2}\sum_{j=1}^{M}||v_j-\theta_j||_2^2\\-\sum_{i=1}^{N}\sum_{j=1}^{M}\frac{c_{i,j}}{2}(r_{i,j}-u_i^Tv_j)^2-\frac{\lambda_S}{2}\sum_{h=1}^H||s_h||_2^2\\ -\sum_{i=1}^{N}\sum_{h=1}^{H}\frac{d_{i,h}}{2}(q_{i,h}-u_{i}^Ts_h)^2+\sum_{j=1}^M\sum_{x=1}^X\ln(\sum_{k}\theta_{j,k} \beta_{k,w_{j,x}})$
优化过程：首先固定 $\theta$ ，然后计算 $U,V,S$ 的偏导为0的值；
然后固定 $U,V,S$ ，按照CTR模型方式优化 $\theta$ .
召回率作为评价指标：分别与PMF、CTR模型进行比对。显示模型的优越性；

参考论文：
Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems
V 由S、 $\theta$ 两个高斯分布共同决定(2013 IJCAI)

标签推荐的挑战:如何高效得融入item-tag，Item内容信息，社交网络信息；
本文使用Item-tags矩阵，A是社交网络的邻接矩阵(连个Item之间的联系)；S是潜在的社交矩阵,V是由双高斯分布POG模型（2006）;
$v_j \thicksim POG(\theta_j,s_j,\lambda_v^{-1}I_K，\lambda_r^{-1}I_K)$

因此最大后验概率是：

$max V, U, S, θ P (U, V, S | R, A, λ v, λ u, λ l, λ r, C) \propto P (R | U, V, C) P (U | λ u) P (V | θ, S, λ v, λ r) P (S | λ l, A) P (θ | α, β)$ $\max_{V,U,S,\theta}P(U,V,S|R,A,\lambda_v,\lambda_u,\lambda_l,\lambda_r,C) \\\varpropto P(R|U,V,C)P(U|\lambda_u)P(V|\theta,S,\lambda_v,\lambda_r)P(S|\lambda_l,A)P(\theta|\alpha,\beta)$

在此基础上，利用item-tags（类似与评分矩阵 $r_{i,j} \in {0,1}$ ）,item信息，item-item邻接矩阵；
这里写图片描述

max U, V P (U, V, S | R, L, C, λ u, λ v, λ r . λ e, α, β, ρ, η +) \propto P (R | U, V, C) P (U | λ u) P (V | θ, λ v) P (θ | α, β) P (L | S, λ r, λ e, η +, ρ) P (S | V, λ r) P (η + | λ e)

$\max_{U,V} P(U,V,S|R,L,C,\lambda_u,\lambda_v,\lambda_r.\lambda_e,\alpha,\beta,\rho,\eta^+)\\ \varpropto P(R|U,V,C)P(U|\lambda_u)P(V|\theta,\lambda_v)P(\theta|\alpha,\beta)P(L|S,\lambda_r,\lambda_e,\eta^+,\rho)\\P(S|V,\lambda_r)P(\eta^+|\lambda_e)$
其中，

v j \sim N (θ j, λ - 1 v I K) s j \sim N (v j, λ - 1 r I K) η + \sim N (0, λ - 1 e I K + 1) ψ (l j, j' = 1 | s j, s' j, η +) = [σ (η T (s j \circ s j') + b)] ρ

$v_j \thicksim \mathcal N(\theta_j,\lambda_v^{-1}I_K) \\ s_j \thicksim \mathcal N(v_j, \lambda_r^{-1}I_{K}) \\ \eta^+ \thicksim \mathcal N(0,\lambda_e^{-1}I_{K+1}) \\ \psi(l_{j,j^{'}}=1|s_j,s_j^{'},\eta^{+})=[\sigma(\eta^T(s_j \circ s_j{'} )+\mathcal b)]^\rho$

ζ = - \sum i = 1 N \sum j = 1 M c i , j 2 (r i, j - u T i v j) 2 - λ u 2 \sum i = 1 N | | u i | | 22 - λ e 2 η + T η + - λ v 2 \sum j = 1 M (v j - θ j) T (v j - θ j) - λ r 2 \sum j = 1 M (s j - v j) T (s j - v j) + ρ \sum l j, j' = 1 log σ (η T (s j \circ s j' + b) + \sum j = 1 M \sum x = 1 X log (\sum k θ j, k β k, w j, x)

$\zeta =-\sum_{i=1}^{N}\sum_{j=1}^{M}\frac{c_{i,j}}{2}(r_{i,j}-u_i^Tv_j)^2 - \frac{\lambda_u}{2} \sum_{i=1}^{N}||u_i||^2_2-\frac{\lambda_e}{2}\eta^{+^T}\eta^{+}\\-\frac{\lambda_v}{2}\sum_{j=1}^{M}(v_j-\theta_j)^T(v_j-\theta_j)-\frac{\lambda_r}{2}\sum_{j=1}^{M}(s_j-v_j)^T(s_j-v_j)\\+\rho \sum_{l_{j,j^{'}}=1}\log{\sigma(\eta^T(s_j \circ s_{j^{'}}+b)}+\sum_{j=1}^M\sum_{x=1}^X\log(\sum_{k}\theta_{j,k} \beta_{k,w_{j,x}})$
这样子的话，凸函数部分，先利用朗格朗日方法，偏导数为0，即可更新

ui,vj $u_i,v_j$ ；然后利用CTR方法更新

θj $\theta_j$ ，最后

sj,η+ $s_j,\eta^{+}$ 利用梯度下降法计算；

参考论文：
Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems 2013
Relational Collaborative Topic Regression for Recommender Systems 2015

4.3 深度学习之CDL

回顾一下：CTR模型将Item信息很好融合到 $v_j$ 中，缓解矩阵稀疏带来的冷启动问题；CTR模型依赖与LDA，在此基础上人们开展了各种拓展和应用。随着深度网络的兴起，我们可以很轻松的将文本信息、图片信息、用户离散信息等多模态特征萃取出来；因此推荐系统也迎来一个又一个春天。
优秀的模型有CDL，ConvMF，deepConNN，UWCVM等；

CDL模型（2015 KDD）
（SDAE+PMF）
利用SDAE网络学习出 $v_j$ 的词向量；

$v j = ϵ j + X L 2, j * ， ϵ j \sim N (0, λ - 1 v I K) u i \sim N (0, λ - 1 u I K) r i, j \sim N (u T i v j, c - 1 i, j)$ $v_j=\epsilon_j+ X_{{L \over 2},j^{*}}，\epsilon_j \thicksim \mathcal N(0,\lambda_v^{-1}I_{K})\\ u_i \thicksim \mathcal N(0,\lambda_u^{-1}I_{K})\\ r_{i,j} \thicksim \mathcal N(u_i^Tv_j,c_{i,j}^{-1})$

$P (U, V | R, λ u, λ v, C) \propto P (R | U, V, C) P (U | λ u) P (V | X L 2, j *, λ v) P (X L, j * | w l, b l, λ s, λ n) P (w | λ w) P (b | λ w)$ $P(U,V|R,\lambda_u,\lambda_v,C)\\ \varpropto P(R|U,V,C)P(U|\lambda_u)P(V|X_{\frac{L}{2},j^{*}},\lambda_v)\\P(X_{L,j^{*}}|w_l,b_l,\lambda_s,\lambda_n)P(w|\lambda_w)P(b|\lambda_w)$

$u_i,v_j$ ，按照偏导为零计算得出；
$w_l,b_l$ 计算梯度方向，按照梯度下降方法更新；

参考文献：
Collaborative Deep Learning for Recommender Systems （KDD 2015）
CDL模型优化（2017 ICLR）
ConvMF模型（2016 RecSys）
（CNN+PMF）
利用CNN网络学习出 $v_j$ 向量；

$v j = c n n (W, X j) + ϵ j ， ϵ \sim N (0, λ - 1 V)))$ $v_j=cnn(W,X_j)+\epsilon_j，\epsilon \thicksim \mathcal N(0,\lambda_V^{-1})))$

参考文献：
Convolutional Matrix Factorization for Document Context-Aware Recommendation（2016 RecSys)
Convolutional Neural Networks for Sentence Classification（CNN 2014）
DeepCoNN模型（2017 WSDM）
（CNN+FM）
将用户评论信息分成两部分：user-review，item-review,构造两个平行的CNN网络，但是两个向量不是同一向量空间，因此利用FM技术，计算交叉特征，并构造目标函数；

$J = w 0 + \sum i = 1 z w i z i + \sum i = 1 z \sum j = i + 1 z w i, j z i z j$ $J=w_0+\sum_{i=1}^{z}w_iz_i+\sum_{i=1}^{z}\sum_{j=i+1}^zw_{i,j}z_iz_j$ 交叉项系数分解成矩阵相乘的形式，因为在数据稀疏情况下，参数无法学习到；另外交叉项 $ab+bc+ac=\frac{1}{2}[(a+b+c)^2-a^2-b^2-c^2]$ ；
所以 $w i, j = < v i, v j > = \sum f = 1 z v i, f v j, f$ $w_{i,j}=<v_i,v_j>=\sum_{f=1}^{z}v_{i,f}v_{j,f}$
$J = w 0 + \sum i = 1 z w i z i + \sum i = 1 z \sum j = i + 1 z w i, j z i z j = w 0 + \sum i = 1 z w i z i + 1 2 \sum f = 1 z ⎡ ⎣ (\sum i = 1 z v i, f x i) 2 - \sum i = 1 z v 2 i, f x 2 i ⎤ ⎦$ $J=w_0+\sum_{i=1}^{z}w_iz_i+\sum_{i=1}^{z}\sum_{j=i+1}^zw_{i,j}z_iz_j\\=w_0+\sum_{i=1}^{z}w_iz_i+\frac{1}{2}\sum_{f=1}^z\left[\left(\sum_{i=1}^{z}v_{i,f}x_i\right)^2-\sum_{i=1}^zv_{i,f}^2x_i^2\right]$

通过优化J，获得 $z$ ；
实验结果显示DeepCoNN模型推荐准确率高；
CNN网络考虑了词语顺序信息，而且可以利用word2vec、glove词向量作为预训练模型，更能够表达文本的特征信息；

参考文献：
Joint Deep Modeling of Users and Items Using Reviews for Recommendation（2017 WSDM）
Factorization Machines with libFM
UWCVM模型（2015 IJCAI）

本文基于评分预测场景（情感分类）
本文强调使用用户信息来修正文本的特征表示；每个用户使用相同个词，但是表达意思可能不一样；将文本特征做一层修正；词向量可以是

提出将用户表示为一个转换矩阵，利用矩阵（用户）与向量（单词）的乘积来得到新的单词向量。然后，以这些修正后的单词向量作为输入，计算得到文档的向量表示。最后，使用 Softmax函数将文档向量映射到评分空间里。本文所提的模型结构如下图所示：

参考文献：
User Modeling with Neural Network for Review Rating Prediction （IJCAI2015）
UPNN模型（2015 ACL）

在（4）的基础上增加物品信息，并修正物品文本向量；主要是搜集物品相关的描述文本，并修正；

参考文献：Learning Semantic Representations of Users and Products for Document Level Sentiment Classification(ACL 2015)
RNN 引文推荐（2016 CIKM）

在引文推荐中，输入一个context，推荐系统返回一段至理名言（引文）；
直接做法是：测量（q,c）之间的相关程度；现在我们学习出q的具体特征；
现在不同引文中（即使文本内容很相似，但来源于不同的作者，不同的主题，所以词语权重不一样，为此进行必要的修正）
如下图，输入一段至理名言 $q$ ，我们将根据topic，author，常规的词向量进行修正，形成 $X_q$ ，最后构造< $X_q,V_c$ >进行监督训练。

参考文献： A Neural Network Approach to Quote Recommendation in Writings (CIKM 2016)