2.5　本章小结

本章对于个性化推荐系统的发展历史和主要技术，以及本书将要用到的短语级情感分析主要技术进行了总结、归纳和概括，通过比较可知，本书的创新之处主要包括如下几点。

第一，本书对个性化推荐的可解释性进行系统性理论分析和实验验证。一直以来，推荐系统的研究着重于对预测精度和推荐效果等实际指标的提高，而忽略了对数据、模型和结果的可解释性研究。人机交互相关领域的一些研究成果分析了推荐理由及其展示方式对推荐系统效果提升的作用，但是相关研究仅限于非个性化的特定的推荐理由，并且未对推荐理由的实际产生机理进行深入的探讨。在本书中，分别从数据和模型上对推荐的可解释性进行系统性的分析，通过对用户-物品评分矩阵内在结构的分析解释数据内在的社区结构；通过对隐变量模型的可解释性分析提出显式变量分解模型，并进一步构建个性化可解释的推荐结果和推荐理由；最后，线上实验验证了相关技术算法的实际有效性。

第二，本书基于数据的可解释性提出局部化矩阵分解框架。不同于以往对矩阵分解算法模型层面上的研究，本书从数据层面对矩阵分解算法的可拆分性进行理论分析，并据此提出局部化矩阵分解的框架。由于该框架是建立在对用户-物品评分矩阵这一矩阵分解的基本输入数据进行预处理的基础上，因而与目前常见的矩阵分解算法兼容，实现了统一的矩阵分解并行化框架。在不同规模真实数据上的实验结果显示，局部化矩阵分解框架可以在提高矩阵分解预测精度的同时也提高并行化分解效率。

第三，本书对个性化推荐系统的经济学效益进行系统性分析。随着互联网尤其是移动互联网的蓬勃发展，越来越多传统的线下人类活动被逐渐线上化，例如在线购物、在线社交、在线金融服务等。随着互联网的不断平台化和网络活动的逐渐丰富，互联网也越来越成为一个网络社会系统，而不再仅仅是简单的信息流通平台，推荐系统在这一过程中所起到的资源分配作用因而具有其潜在的网络经济效益。本书将常见的互联网应用形式化为“生产者-服务-消费者”模型，基于传统经济学的基本定义给出了互联网环境下效用、成本和福利的基本概念与统一形式，并进一步给出了网络推荐系统中总社会福利的通用计算方法，进而对个性化推荐模型的经济学意义进行系统的解释。

通过分析个性化推荐在数据、模型和经济学意义上的内在规律，并由此建立模型，本书实现了对推荐系统基本输入数据内在结构的解释、对隐变量模型相关算法推荐机制的解释、对推荐结果个性化推荐理由的解释，以及对推荐系统经济学效益的解释，相比于传统方法，具有理论基础坚实、直观意义显著、运行速度高效、学科前景广阔等优势，突出了本研究工作的独特性。