笔记：《Transparent, Scrutable and Explainable User Models for Personalized Recommendation》

阅读日期：2020.3.5
论文题目：《Transparent, Scrutable and Explainable User Models for Personalized Recommendation》

发现问题：

• 现有推荐系统：①透明度：由于算法过于复杂，或系统提供者进行了保护措施，使得现有推荐系统的透明度不高，仅提供一些justification（可能与推荐算法不相关的描述）。②可检查性：当系统推断的用户偏好不正确（需要对历史记录进行修改），或用户兴趣发生变化时(需要排除原有兴趣模型中的物品)，现有的推荐系统难以处理。

主要贡献：

1. 提出了一种有效的方法：根据与物品相关的标签，从对单个物品的评分中推断基于集合的用户偏好;
2. 我们开发了一个简单、有效、计算高效的推荐模型，该模型基于商品标签和基于用户集合的偏好;
3. 提出了一种能够描述用户偏好的自然语言解释的推荐算法;
4. 实验展示了这种透明的、可检查的模型的价值。

总结与感悟：

• 本文构建了用户画像，主要亮点有：构建了标签间的pairwise
  interaction（先通过用户对tag的评分来对tag偏好进行定值，然后再通过标签对之间的交互（pairwise tag
  interactions）来对tag偏好的值进一步细化）。
  
  可改进之处：
  ①不局限于成对的tag，可对更多tag的interaction进行建模；
  ②建模时，物品和tag间的关系是二进制的，可以将其优化（细化）为连续尺度上的值。
  ③更好地利用用户的反馈

疑问：
真实情况下，用户是否真的能够做出这么细致且有价值的反馈？