基于几何信息瓶颈的可解释推荐系统

可解释推荐系统能够解释其推荐决策，增强用户对系统的信任。大多数可解释推荐系统要么依赖人工标注的理据来训练模型以生成解释，要么利用注意力机制从评论中提取重要文本片段作为解释。所提取的理据常局限于单条评论，且可能未能识别评论文本之外的隐式特征。为避免昂贵的人工标注过程并生成超越单条评论的解释，我们提出将从用户-物品交互中学到的几何先验融入变分网络，该网络从用户-物品评论推断潜在因子。来自单个用户-物品对的潜在因子可用于推荐与解释生成，自然继承了编码于先验知识中的全局特征。在三个电商数据集上的实验结果表明，我们的模型在使用 Wasserstein 距离时显著提升了变分推荐系统的可解释性，同时在推荐行为方面取得了与现有基于内容的推荐系统相当的性能。