可解釋推薦的顯式因素模型
陌生詞彙
factorization：分解 render：提供 preliminary：先前的 overview：綜述
corpus：語料庫 lexicon：詞典 entry：條目 exposition：闡述
polarities：極性，對立 leverage：利用 finer-grained：細粒度的 underlying：潛在的（意思之一）
negation：否定 exposit：闡述 coefficient：係數 sketch：概述
meticulously：精心地 informed：明智的 ratio：比率 Lagrange：拉格朗日
the wisdom of crowds：羣體智慧
Without lose of generality：不失一般性
一般情況下，各種潛在因子模型中計算複雜的算法使得解釋難以自動生成。許多精心設計的策略已經被研究來解決這個問題，從電子商務網站上簡單的“人們也看了”的解釋到最近的社交朋友或基於社交標籤的解釋。
在犧牲預測精度的情況下，選擇可解釋的簡單算法，還是在犧牲可解釋性的情況下，選擇精確的潛在因子分解建模方法，這是實踐者經常面臨的兩難問題。一個主要的研究問題是:我們能找到一個既準確又容易解釋的解決方案嗎?幸運的是，先進的詳細的情感分析和在線用戶文本評論的日益流行爲這個問題提供了一些線索。
接下來首先回顧了一些相關的工作(第二節),並提供詳盡的方法,包括模型學習算法(第三節)。然後我們描述了離線實驗設置和結果驗證該方法的性能等級的預測和top-K推薦(4節),以及在線實驗測試的效果直觀的解釋(第五節)。最後,我們結束了工作,第六部分討論了本研究的侷限性，並指出了未來的研究方向。
現在有些推薦解釋要麼過於簡化了真實的原因，要麼很難在非社會場景中產生。然而，利用顯式特徵進行推薦的一個重要優點是，它能夠對推薦和不推薦的項目提供直觀、合理的解釋。
第一階段：構建情感字典（Sentiment Lexicon Construction） ：L
分爲3步 1.提取feature word set F
2.提取意見詞集合O，並儘可能與特徵詞配對。這就產生了特徵觀點對(F, O)。
3.給(F，O)對貼極性標籤，最終構成了L中的(F, O, S)
第二階段：
識別用戶在評論文本中提到了哪些詞彙條目，以及條目的情緒極性是否被否定詞“not”或“hardly”所逆轉
第三階段：用戶特徵注意矩陣（User-Feature Attention Matrix）
construct a user-feature attention matrix X, where each element measures to what an extent a user cares about the corresponding product feature/aspect.
第四階段：Item-Feature Quality Matrix
We also construct item-feature quality matrix Y, where
each element measures the quality of an item for the corresponding product feature/aspect.
第五階段：Integrating Explicit and Implicit Features
第六階段：Model Learning for EFM
提出了EFM算法，可以參考 https://blog.csdn.net/u014313009/article/details/38440437
第七階段：Personalized Recommendation（個性化推薦）
1.根據上面得到的參數矩陣計算出Rij
2.給出特徵級別的解
離線結果
對一些參數的分析
論文疑問
However, rating prediction accuracy is not necessarily related to the performance in practical applications
（等級預測的準確性並不一定與性能相關）