论文浅尝 | 推荐系统的可解释性浅谈

References:

Explainable Recommendation via Multi-Task Learning in Opinionated Text Data

Published at: The 41st International ACM SIGIR Conference on Research andDevelopment in Information Retrieval (SIGIR 2018)

URL：https://dl.acm.org/citation.cfm?id=3210010

Improving Sequential Recommendation with Knowledge-Enhanced Memory Networks

Published at: The 41st International ACM SIGIR Conference on Research andDevelopment in Information Retrieval (SIGIR 2018)

URL：https://dl.acm.org/citation.cfm?id=3210017

Motivation

推荐系统可以为用户（user）推荐其感兴趣的内容并给出个性化的建议。而现在的推荐大都着眼于被推荐对象（item）的序列建模，而忽略了它们细粒度的特征（feature）。通过对推荐结果的解释，分析被推荐对象的特征，可以让用户可以对使用哪些推荐结果做出更明智，更准确的决策，从而提高他们的满意度。本文将以两篇介绍可解释的推荐系统论文为基础，分别从两个方面阐述在推荐系统中引入item的特征并提供可解释性。

MTER Model：Multi-Task Explainable Recommendation

MTER模型从用户评论（opinionated content）中提取item细粒度的个性化特征，如下图所示。论文提出了一个用于可解释推荐任务的多任务学习方法，通过联合张量分解将用户（user）、产品（item）、特征（feature）和观点短语（opinionated phrase）映射到同一向量空间。

模型中用到的主要变量如下表所示。

用户i的评论、对产品j的评论，分别被表示成 R_i^U , R_j^I。

领域特定的情感词汇表示成, 即（特征，观点短语，情感极性），不过因为这里不是本文的重点，所以这里的具体处理方法作者没有赘述。

MTER模型主要分成3部分：item推荐的用户偏好建模、用于解释的用户评论建模以及通过联合张量分解的多任务学习。

1.    item推荐的用户偏好建模

本文用三维张量建模建模，表示用户i对item j的特征k的欣赏程度。假设itemj的特征k被用户i提及了 t_ijk 次，而且每次的情感极性标签为