基于带显式与隐式交互广义加性模型的可解释推荐系统
机器学习
2020-12-16 v1 人工智能
机器学习
摘要
近年来,推荐系统领域日益关注开发能够提供为何向用户推荐某物品之解释的预测模型。这些解释既可以在拟合较复杂模型后通过事后诊断获得,也可以嵌入到内在可解释的模型中。在本文中,我们提出基于带显式与隐式交互的广义加性模型(GAMMLI)的可解释推荐系统。该模型架构是内在可解释的,因为它加性地由用户和物品主效应、基于观测特征的显式用户-物品交互,以及来自残差的隐式交互效应组成。与传统的协同过滤方法不同,GAMMLI 中考虑了用户和物品的群体效应。这有利于增强模型可解释性,并且也能缓解冷启动推荐问题。我们开发了一个新的 Python 包 GAMMLI,用于高效的模型训练和结果的可视化解释。基于模拟数据和真实案例的数值实验表明,所提方法在预测性能和可解释推荐方面均具有优势。
引用
@article{arxiv.2012.08196,
title = {Explainable Recommendation Systems by Generalized Additive Models with Manifest and Latent Interactions},
author = {Yifeng Guo and Yu Su and Zebin Yang and Aijun Zhang},
journal= {arXiv preprint arXiv:2012.08196},
year = {2020}
}