作者以及单位

Hongtao Liu et al. 天津大学
下载地址：dblp: NRPA: Neural Recommendation with Personalized Attention.

解决问题

因为是篇短文，所以解决一个问题：从推荐系统的评论reviews中做encoder，在五个数据集（不知道为啥没有movielens）上验证后，表明提高预测准度。

研究动机

本文的动机是，CF如果都是用user和item是很稀疏的。所以需要通过神经网络对文本评论提取主题信息，来辅助建模增强推荐效果。
本文和其他工作相比，更深层次，解决了能够区分评论一样，但是评分不一样的用户。文章中举的例子很有趣：
As a concrete example, suppose that User A cares more about the price of items than the quality and User B cares more quality than price, both of them write a similar review such as “this camera with a high price is easy to use.” and then User A would give the camera a unsatisfied rating since the price is high while User B would vote a satisfied rating. Thus, the same reviews are of different informativeness in terms of different users or items and it is necessary to be more personalized when learning representations from reviews for users or items.

研究方法

很明显架构是基于FM的，rendler还是牛。
这个图横向来看，使用的卷积神经网络（CNN）提取评论的语义特征。从单词开始，然后通过attention发现个性化单词级别，在每个用户/项目的评论中选择更重要的词。
这个图纵向来看，在用户/项目编码器中，我们将个性化的审阅工作，通过attention应用于汇总的所有评论。以来学习用户/项目表示形式，通过它们的权重进行表示。
这两个attention向量可以看作是一个指标分层视图下的每个用户和项目（即短词和评论的等级）。
最后，汇聚给FM，输出的是用户对该项目进行投票的评分。

架构

其实具体实施方法很好理解，figure计算出了pu和pi后，就通过公式10整合起来，最后送到公式11（标准的FM）输出最后的预测得分。

fm的汇集

创新点

本文重点是能够从评论中学习个性化用户和商品表示形式。

The core of our approach is a personalized attention model whose query vectors are learned from the embeddings of user and item IDs.

结论

从项目架构来说，本文将此attention模型应用于评论编码器和用户/项目编码器，为不同的用户和项目选择不同的重要的（这个词很重要）单词和评论。 这样，用户的不同偏好和项目的不同特征可以更好地捕获。

We apply this attention model to both review encoder and user/item encoder to select different important words and reviews for different users and items. In this way the different preference of users and different characteristics of items can be better captured.