SiGIR 2014在推荐系统方面收录了三篇很有价值的论文,提出了新的算法框架。在此介绍第一种算法框架(来自论文:Explicit Factor Models for Explainable Recommendation based on Phrase-level Sentiment Analysis,基于短语级情感分析的可解释型推荐模型——显因子模型)。如与本文有不同理解,不吝赐教。
一、概述
EFM ( Explicit Factor Models,显因子模型),是针对LFM (Latent Factor Models,隐因子模型) 的不足而设计的。
LFM的特点如下:
a. 通过分类抽象出隐因子空间。在分类过程中,我们不需要关心分类的角度,结果都是基于用户打分自动聚类的。分类的粒度通过设置LFM的最终分类数来控制。
b. 对于每个物品,并不是明确地划分到某一类,而是计算其属于该类的程度。
c. 对于每个用户,计算他对每个类的兴趣度。
不足在于:
<1>单一的打分不能反映用户对物品各项特征的偏好,没有利用到用户评论。
<2>因为类别是抽象出来的,没有明确的含义,所以向用户推荐物品时,无法解释推荐理由。
EFM的特点如下:
a. 通过对用户评论进行phrase-level(短语级)的情感分析,显式地抽取物品的特征和用户的意见。
b. 对于每个物品,计算它对每个特征的包含程度。
c. 对于每个用户,计算他对每个特征的喜好程度。
d. 根据用户评论和打分两方面的数据(设置这两者的权重),计算得到用户-物品的喜好程度矩阵。
e. 向用户推荐购买物品的同时,也建议用户不要购买某些物品。
优点在于:
<1>充分利用用户评论,提高算法的精准度。
<2>因为物品的特征已经被显式的抽取出来,所以向用户推荐商品时,可以直观地解释推荐理由。从而帮助用户更快决定是否购买;特别是建议用户不要购买某些物品