神经推荐系统的反事实解释
信息检索
2021-05-12 v1 机器学习
摘要
理解为何向用户推荐特定物品，能显著提升用户对系统的信任与满意度。尽管神经推荐模型近年来已成为最先进的方法，但深度模型的复杂性仍使得为终端用户生成可感知的解释成为一项挑战。现有方法通常基于多种特征上的注意力分布，其在作为解释的适用性上仍存疑，且对终端用户而言难以把握。基于用户少量自身行为的反事实解释已被证明是解决可感知问题的可行方案。然而，当前关于此类反事实的研究尚不能直接应用于神经模型。本工作中，我们提出 ACCENT，首个为神经推荐系统寻找反事实解释的通用框架。它将近期提出的影响函数从单物品扩展至物品对，以识别与某推荐最相关的训练点，并在迭代过程中推导反事实集合。我们使用 ACCENT 为两个流行的神经模型——神经协同过滤（NCF）与关系协同过滤（RCF）生成反事实解释，并在流行的 MovieLens 100K 数据集的一个样本上验证了其可行性。
引用
@article{arxiv.2105.05008,
title = {Counterfactual Explanations for Neural Recommenders},
author = {Khanh Hiep Tran and Azin Ghazimatin and Rishiraj Saha Roy},
journal= {arXiv preprint arXiv:2105.05008},
year = {2021}
}
备注
SIGIR 2021 Short Paper, 5 pages