论文：The Role of Emotions in Context-aware Recommendation总结
论文标题：The Role of Emotions in Context-aware Recommendation
论文出处（会议或期刊）：RecSys
论文时间：2013
一、 摘要（翻译论文的摘要）
上下文推荐系统尝试利用不同的上下文去适应用户偏好，而且这被证明在很多不同的领域上都能提高推荐的精确性。情绪是最流行的上下文变量，而很少研究人研究情绪是怎样作用在推荐上的——特别是情绪变量的用法除了单单的描述效力。在这篇论文中，我们研究在上下文推荐系统算法中情绪的作用。更具体地，我们评价两个流行的上下文推荐系统算法——上下文感知过滤算法和微分上下文建模。我们考核预测的性能，探索情绪的用法和发现情绪在推荐过程中是怎样影响上下文算法的。
二、 相关技术（只写相关算法名称及相关解读参考网址）
1.Item Splitting（参考文献 Context-based splitting of item ratings in collaborative filtering）
2.Impurity criteria（参考文献 Context-based splitting of item ratings in collaborative filtering ）
3.User Splitting（参考文献 Towards time-dependant
recommendation based on implicit feedback.）
4.UI Splitting(本文提出)
5.DCM in BUCF(参考文献 Differential context
modeling in collaborative filtering)
三、 本文算法（本文提出的算法）
1. 算法1：
1) 名称：UI Splitting
2) 算法步骤：
a) 步骤一：以Impurity criteria作为评价标准，Item Splitting遍历所有的上下文维度，找到最优的将同一个item分成两个的上下文，分离得出新的矩阵
b) 步骤二：再以同样步骤一的方法，分离一中得到的矩阵，得到UI Splitting评分矩阵
3) 用于解决本文的什么问题：预过滤问题
2. 算法2：
1) 名称：DCM in BUCF
2) 算法步骤：
a) 步骤一：使用皮尔逊相关系数法计算用户之前间相似度
b) 步骤二：选择K个最相似的用户
c) 步骤三：根据公式
计算评分
3) 用于解决本文的什么问题：预测评分
四、 实验
1. 实验数据集：
4) 数据集1：
a) 名称：LDOS-CoMoDa
b) 介绍：（包括数据集是什么类型的，文件结构是如何的等等）
电影类型，文件每一行结构如下：
UserID,itemID,rating,age,sex,city,country,time,daytype,season,location,weather,social,endEmo,dominantEmo,mood,physical,desicion,interaction,director,
movieCountry,movieLanguage,movieYear,genre1,genre2,genre3,actor1,actor2,actor3,budget
c) 来源：
http://212.235.187.145/spletnastran/raziskave/um/comoda/comoda.php
3. 评判标准：
1) 评价标准：RMSE
相关公式：
S={[(x1-x)^2+(x2-x)^2+......(xn-x)^2]/N}^0.5（x为平均数，N为样本个数）
2）Tmean、Tchi、Tprop
4. 实验分析（翻译论文部分，提供图表）
从整体来看,UI Splitting在所有的数据处理上下文感知推荐算法中表现最好。加入情绪变量算法的表现更好，最好的组合是UI Splitting 加上BaisMF算法。