EFM (Explicit Factor Models)显因子模型

        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