实体感知建模：一项综述

针对由外部驱动因素引起的个体实体响应进行个性化预测在许多学科中至关重要。近期机器学习（ML）的进展带来了新的最先进响应预测模型。由于跨实体（任务）数据的异质性，在群体层面构建的模型在许多个性化预测场景中往往导致次优性能。在个性化预测中，目标是纳入不同实体的固有特征以改善预测性能。在本综述中，我们关注ML社区中此类实体感知建模方法的近期发展。当这些实体特征易于获取时，ML算法常利用这些特征调制网络。然而，在许多现实场景中这些实体特征并不易得，并已提出不同的ML方法来从数据中推断这些特征。在本综述中，我们依据这些特征的可得性以及训练数据量对实体感知建模的现有文献进行了梳理。我们强调了其他学科（如不确定性量化、公平性和知识引导机器学习）的近期创新如何能够改进实体感知建模。