本文主要研究User fatigue （包括same item fatigue和same category fatigue）(用户的兴趣随着物品/类别重复显示次数的增加而改变) 对推荐列表被用户点击概率的影响（CTR）。

基于历史数据的统计信息，文章研究了多个与User Fatigue有关的因素，并得出了一些的结论：

1. 所有用户（包括文中分出的三类用户）都会随着物品重复显示次数的增加而降低CTR
2. Heavy User 和 Medium User点击模式的多样性要强于Light User， Light User更专注，要么不点，要么倾向于对同一个item点击多次
3. 所有类别的用户，之前点击同一item的次数越多，这一次再此点击的可能性越大（对同一事件的持续追踪）
4. 人口统计特征对于User fatigue的影响： （性别；年龄 影响不大，可忽略）
5. category level 相比于 item level , user fatigue 并不那么明显，category 更能可靠捕捉用户的兴趣（这条结论在我自己的研究中也被证实，尤其是针对隐式反馈）。
6. 位置影响，上一次显示的位置对这一次影响很大
7. 时间影响
8. 这里面有关于MRR和MAP指标的描述
9. LambdaMart [18] is the ranking algorithm, 它采用了gradient-boosted decision tree approach for optimizing a variety of non-continuous ranking objective functions.
   Q. Wu, C. J. C. Burges, K. M. Svore, and J. Gao. Adapting boosting for information retrieval measures. Inf. Retr.,13(3):254–270, 2010.

启示与收获：

1. 本文对于实验的描述十分详尽，通篇几乎都是描述实验结果然后得出相应结论，所以这里的句法和行文结构可以进一步学习和借鉴
2. 本文研究思路可以借鉴：寻找一个有可能影响用户行为的因素（如上下文信息（时间，地点），这里的user Fatigue，用户社交信息，多样性，惊喜度，隐私保护，虽然已经很难找了），然后可以通过简单的统计分析足以证明他的正确性和合理性。这要比通过一定技巧把别人提出的“因素”融合到自己的模型当中，要更有价值。
   不过话说回来了，是否可以研究一下把User Fatigue，用户隐私等看起来高大上的因素融入到L2R或其他模型当中？
3. LambdaMart 排序方法可以学习和借鉴下
4. 用户的兴趣关于时间drift (temporal dynamic) [分割时间time slot, time span]
5. 用户的兴趣随着社交关系的改变而改变(social-based)