以解释作为推荐的辩护

文本解释已被证明有助于提高用户对机器推荐的满意度。然而，当前主流方案松散地连接了解释学习与推荐学习：例如，它们常被分别建模为评分预测与内容生成任务。本工作中，我们提出通过强化推荐与其对应解释之间的情感对齐思想来加强二者的联系。在训练时，两个学习任务由一个潜在情感向量连接，该向量由推荐模块编码并用于解释生成的选词。在训练与推理时，解释模块被要求生成与推荐模块预测情感相匹配的解释文本。大量实验表明，我们的方案在推荐与解释任务上均优于丰富的基线集合，尤其在生成解释的质量提升方面。更重要的是，用户研究证实我们生成的解释帮助用户更好地识别推荐物品间的差异并理解为何推荐某物品。