110914-RS中解释类型的一种概括分类

 

2011/9/14

传统和社交推荐系统中解释类型的一种概括的分类

--A generalized taxonomy of explanations styles for traditional and social recommender systems

之前在杭做毕设的时候，二师兄曾经在推荐系统上花过一些功夫。虽然没有了下文，我个人对推荐系统还是有很大的兴趣。在Dm&KD上下的这paper，花了三个小时粗读了全文，一些tips记录如下：

l  以前的研究中对于选择什么样的算法，都会选择不同的解释类型。似乎推荐算法和解释类型是one-to-one mapping的。这里作者总结了不同的解释类型。

l  将解释类型分为Human、Item、Feature以及Hybrid这四种类型，介绍了各种解释类型在推荐系统中的具体实现。比如amazon中的Human type“为你推荐x，因为A，B，C买过这个x”,还有Item type的“为你推荐x，因为你买过y，z”，至于Feature Type，我见到的还是比较少的，将特征抽取出来表示一个item or activity，然后根据你的features与x的features相关，给出推荐的例子。至于Hybrid Type，从1-D到2-D再到3-D的一个例子：

n  1-D：为你推荐x，因为A，B买过这个东西；

n  2-D：为你推荐x，因为你买过y，z，同时A、B买过这个东西；

n  3-D：为你推荐x，因为你买过y、z，你的好友A、B买过这个东西，然后x具有的feature1、feature2是你最近关注的。

l  文中还指出，对于同一个推荐系统的一个推荐，如果表现形式不同，那么取得的效果很不相同的。同样的结果，用数字百分比表现出来就没有直方图那么让人有感觉。而很多推荐系统不仅仅是要给出recommendation，它要让users在得到这个recommendation后make decisions，所以形式也是很重要的。

l  还有一个令我反思的地方在于，此文提出的一个general taxonomy，对于很多技术和方法，大家都忙于改进和创新，却还有那么一个层面是站的高一些、站的远一些，将这些纷杂的东西generalize。这个思想如同辩证法课上讲的古希腊的ontology的思想。

l  文中还讲到对于geo-social以及activity recommendation研究很少滴，确实是这个样子的。

l  在这个信息过载的时代，推荐将无所不在。应用场景—数据—应用对象—解释类型,还有最重要的推荐算法，rs也应当是dm的一个比较成功的应用了。but now for me，I need more to make my decision。

对于learning来说，数学真的very important，所以从头开始做起。决策真的同样举足轻重，在作出这个决策的时候，我觉得从长远来说是值得的就去做。每一次尝试和努力都是再为未来积累经验。so for me，我目前的三个重点在于：

数学，这是选择了dm就必须去弄好的，要不然就谈不上research了；

前沿，从paper中提取，了解了前沿才能作出正确的决策，选择适合自己的方向；

基础，也就是MrZhou讲的热身阶段，目前还是缺乏这方面的素养的。