Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender Systems
2021 WSDM
CF的主题是表示学习。学习到的表示应该反映出：
- 由外在属性所显示的，比如book的作者、类型
- 由隐式因子所显示的，协同信号
3 问题描述
协作关系感知图，交互图+物品知识图谱
- 显示关系 R + R^+ R+ 就是物品KG中的关系
- 隐式关系 R − = { k 1 , k 2 , k 3 , k 4 } R^-=\{k_1,k_2,k_3,k_4\} R−={k1,k2,k3,k4} 就是将交互拆解成了几种细粒度的交互，最重要的 k i k_i ki 因素决定了用户采用了特定物品的原因
4 模型
4.1 用户-物品隐式关系建模
1 隐式因素分解
2 Factor级注意力网络
3 注意力 隐式关系-wise 聚合
4 解耦正则化
4.2 显式关系建模
4.3 高阶连通性建模
4.4 模型学习
5 实验
5.1 实验设置
评价指标：
- Top-N:Recall NDCG {5，10，20}
- CTR：AUC
- train:valid:test=6:2:2
- 取5次实验的平均值
超参数：
- tanh
- 交叉熵loss、Adam、Xavier
- 30 epoch，提前终止策略
- 对于自己的模型DCF，网格搜索 学习率、解耦项系数、正则化系数
- 其他模型其他超参数与paper/code设置相同，（有没有网格搜索呢？？）
RQ1：模型表现
RQ2：超参数对模型的影响
RQ3：设计组件对模型的影响 （消融实验）
RQ4：可解释Case Study
