当因式分解遇到不同的潜在主题时：可解释的跨站点推荐框架

数据稀疏性是推荐系统应用程序中众所周知的挑战。 先前的工作通过将信息合并到相应的社交媒体站点中来缓解此问题。 在本文中，我们将通过探索跨站点信息来解决这一挑战。 具体来说，我们的目标是：1）如何有效，高效地利用跨网站评分和内容功能来提高推荐效果？ 和2）如何通过利用内容特征使建议可解释？ 我们提出了矩阵分解和潜在主题分析的联合模型作为推荐框架。 在该模型中，可以通过多种潜在主题对异构内容特征进行建模，从而准确地进行特征维数降低以提高推荐性能。 此外，矩阵分解和潜在主题的组合使推荐结果可从多个方面进行解释。 因此，上述两个问题被同时解决。 通过一个真实的数据集，其中收集了三个社交媒体网站上的用户行为，我们证明了所提出的模型在提高推荐效果和解释评分依据方面是有效的。 所提出的方法的复杂度与观测值的数量成线性比例关系。 因此，它可以应用于大规模数据集。