本文介绍了显因子模型（EFM）作为针对隐因子模型（LFM）的改进，通过短语级情感分析提取物品特征和用户意见，提高推荐精准度并提供可解释的推荐理由。EFM通过构建用户打分、用户-特征关注和物品-特征质量矩阵，利用最优化损失函数估计缺失值，并进行Top-K推荐。
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&
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
