论文阅读：Attention-driven Factor Model for Explainable Personalized Recommendation

Author：Jingwu Chen, Fuzhen Zhuang, Xin Hong, Xiang Ao, Xing Xie, Qing He
论文地址

Motivation：

由于预测精度高，隐语义模型（LFMs）被广泛应用在推荐系统。用户评分和辅助信息（例如物品特征）可以被用来提高性能，尤其是当评分非常稀疏时。现在LFMs融合物品特征时都是对于所用用户使用相同的方式进行融合，而对于个性化推荐需要了解用户关心的物品特征是很有价值的。同时LFMs也不具有可解释性，对于推荐给一个指定的用户是困难的推荐。

图：用户对于不同的物品特征的关注程度(GAUs)

本论文致力于两点：提高性能和具有可解释性。

Contribute：

1.考虑用户的偏好，作者对于可解释个性化推荐系统提出了通用AFM框架，它可以合理地解释用户的偏好并且保持一个高的预测准确度。
2.提出了门控注意力单元（GAUs）从隐藏表征中获取显示的用户偏好。
3.做实验证明有效性和可解释性。

Method：

Feature Extraction Layer：利用现有技术提取出特征embedding，如分类特征用embedding技术、图像特征用CNN技术、文本特征用RNN技术。

Attention-driven Integration Layer：

GAUs方法：

Vij是融合后的物品表征，他基于用户注意力驱动的交互方法。提出的Gated Attention Units (GAUs)方法如下：

计算αi是用户对于物品n+1个特征的打分情况，Wa（（n+1）* k维）共享所有用户（为了减少参数量避免过拟合）。


Vij利用αi计算所有物品特征的权重和。

Interaction Layer：

利用非线性激活函数交互可以提高AFM的建模能力。

Dataset：

Baselines:

LibFM、SVDFeature、CDL、NFM

Eeperiments:

由于对不同物品特征做了不同注意力操作，性能比基准性能好。

这个CDL没有研究过，以后补。
…
留空
…

两个用户在Movielens数据集上在18个不同电影流派上的注意力分布图。