用影响函数解释推荐中的隐因子模型
机器学习
2019-09-10 v1 人工智能
信息检索
机器学习
摘要
矩阵分解等隐因子模型（LFMs）在各种用于推荐的协同过滤（CF）方法中达到了最先进的性能。尽管 LFMs 具有很高的推荐精度，但一个亟待解决的关键问题是缺乏可解释性。文献中已做出大量努力将可解释性引入 LFMs，然而它们要么依赖于实践中可能不可用的辅助信息，要么无法提供易于理解的解释。本文提出一种名为 FIA 的快速影响分析方法，借助源自稳健统计学的影响函数技术，成功地为 LFMs 赋予了显式的近邻式解释。我们首先描述如何将影响函数应用于 LFMs 以给出近邻式解释，随后针对矩阵分解开发了一种高效的新颖影响计算算法。我们进一步将其推广到更通用的神经协同过滤，并引入一种近似算法来加速对神经网络模型的影响分析。在真实数据集上的实验结果证明了我们所提方法的正确性、高效性与实用性。
引用
@article{arxiv.1811.08120,
title = {Explaining Latent Factor Models for Recommendation with Influence Functions},
author = {Weiyu Cheng and Yanyan Shen and Yanmin Zhu and Linpeng Huang},
journal= {arXiv preprint arXiv:1811.08120},
year = {2019}
}