通过路径推理实现可解释的会话推荐
信息检索
2024-03-05 v1 人工智能
摘要
本文探索通过路径推理为会话推荐（SR）提供可解释性。当前的SR模型强调准确性但缺乏可解释性，而传统的路径推理优先考虑知识图谱探索，忽略了会话历史中的序列模式。因此，我们提出了一种通用的分层强化学习框架用于SR，该框架通过路径推理（即PR4SR）提高了现有SR模型的可解释性。考虑到项目对会话的不同重要性，我们设计了会话级智能体来选择会话中的项目作为路径推理的起点，以及路径级智能体来执行路径推理。特别地，我们设计了一种多目标奖励机制以适应SR中序列模式的跳跃行为，并引入路径中点奖励以增强知识图谱中的探索效率。为了提高知识图谱的完整性并多样化解释路径，我们将从图像中提取的特征信息融入知识图谱。我们在五个最先进的SR模型（即GRU4REC、NARM、GCSAN、SR-GNN、SASRec）上实例化PR4SR，并与其他可解释SR框架进行比较，通过在四个数据集上使用这些方法进行大量实验，证明了PR4SR在推荐和解释任务上的有效性。
引用
@article{arxiv.2403.00832,
title = {Explainable Session-based Recommendation via Path Reasoning},
author = {Yang Cao and Shuo Shang and Jun Wang and Wei Zhang},
journal= {arXiv preprint arXiv:2403.00832},
year = {2024}
}