关于推荐问题经常出现的几个基本概念的总结：

1. rating prediction 和 top-N recommendation 本质的区别： 前者的输出是每个item estimated rating, 因此这个值是有它自己的实际数值含义的（当然也可以根据这个estimated value进行排序）； 后者最显著的特点是，学出的item score单个来看，是没有实际意义的，但是可以通过item之间score大小的比较，进行item的排序（这点正好符合top-N task，不仅更符合实际需求，也抓住了学习的本质问题，更有侧重点），所以很多文章宣称后者比前者好
2. 所以做implicit feedback recommender system的，很少有采用前者来做求解问题的基本方法的（缺陷是什么？还没有找到论文对它做详细说明，大体上可能是因为implicit feedback 中的1和0本身上没有实质的数值意义，表示类别的意思，如可以用A，B代替，但困惑是确实有方法如本文中的SLIM就把他当做数值来处理的！！）；我个人支持用后者解决implicit feedback problem，从1,0中体现出的偏好关系才是本质。当然，如果用二分类的思想来解决，也是合理的。
3. Top-N recommendation problem与 Learning to rank problem之间的关系： 个人认为在RS领域，前者包含后者。前者是从解决问题框架的角度考虑的（即要解决什么问题，high level）； 后者是从解决该问题所用到的技术层面考虑的（即怎么解决这个问题，basic level），L2R的思想是：模型学习或者fit to的是一个个排序结构（偏序或者全序），最终得到的也是各个item的estimated score（也是没有实际的数值意义），因此belongs to Top-N task。
4. CF methods  和 model based methods：前者的核心是协同关系（即通过共同的用户行为确定的相似关系（包括user相似关系和item相似关系））；而后者的核心其实是设定了模型结构，用现有数据（不仅仅局限于行为数据）训练模型中的参数（一个参数集合即构成了一个model的实例，模型的结构是人为选择的；学习的目标的也是根据人的意图设定的），所以有个研究领域就是model select；另，一般实验会设定一个validation data就是用来进行模型选择的，即从学出的多个参数集合中，选择效果最好的那个参数集合；
   实际上，CF methods 可进一步分为 neighborhood-based/memory-based （这里不需要学习什么模型参数） 和 model based（注意：model based并不都是CF method， 关键是看该model有没有融合用户行为关系）
   个人人为：确定该方法是不是CF的，只需要考虑它是否利用了用户行为数据，只要用了，就属于CF（learning the model solely from the user purchase/rating profiles）；memory-based 和model-based的区别还是很容易的

对本文的简单理解

1. 本文解题思路:
   1) 在原有的SLIM的基础上融入side information, ref http://nuoku.vip/users/2/articles/61
   2) 一共有四种方法融合side information:  (对于side information 的矩阵构造: 每类context有多个取值,我们可以将这些取值进行组合,然后数字编码/类似于评分, 这样一个完整的上下文就可以用一个数字进行表示了)
       a) 直接把side information的特征矩阵作为原SLIM学习function的一个regularization term,以此来约束学习的权重,此时用在原矩阵M上的权重和用在特征矩阵F上的权重是一样的
       b) M和F上的权重不一样如(S,Q),但是有一定的联系, 联系的方法是再加一个regularization term: ||S-Q||
       c) 把S当做特征的线性组合,
       d) 把a)和c)结合下
   3) 采用的数据: 有ML100K
   4) 采用的评估指标: 命中率=命中用户的个数/总用户个数; ARHR=每个用户命中item位置的倒数和/总用户个数 (这里只考虑命中的排序最高的item的位置)
   5) side information 的特征: Binary Representation(单词出没出现);TF-IDF, 单词频率比
2. side information + top-N task 和 side information + rating prediction区别 (本文属于前者,认为前者被研究的少?)
3. l1-norm 可以控制解空间是稀疏的(如求得的矩阵中大量的元素为0)
4. 对SLIM疑问是: 明明是对0,1的估计,为什么求得的`score'可以用来排序?越不能压缩为0,越有可能是正样本? (标明上是对1,0的估计,实际上学习的是权重,而这权重可以理解为当前未访问的item同其他用户已经访问过的item的相似度,利用相似度加权求和后的score可以认为是该item同其他所有已经反问过的item的总相似度,这样的话就可以进行比较了),然而问题是,为什么可以通过1,0 label来学习总相似度?

收获和启发

1. 本文的对于side information特征的提取可以借鉴
2. 本文采用的Metric可以在以后的验证model性能中采用,另外,是否考虑可直接优化该Metric?
3. 本文实验很详细,实验表达形式可借鉴