从内在到反事实：论上下文推荐系统的可解释性
信息检索
2021-10-29 v1 人工智能
摘要
随着基于深度学习的嵌入方法的普及，推荐系统已成为各种信息过滤应用中经过验证且不可或缺的工具。然而，其中许多系统仍难以诊断深度模型输入的哪些方面驱动了最终的排序决策，因此往往无法被人类利益相关者理解。在本文中，我们研究了推荐与可解释性之间的困境，并表明通过利用上下文特征（例如来自用户的物品评论），我们可以设计一系列可解释推荐系统而不牺牲其性能。具体而言，我们提出了三种具有逐渐变化的模型透明度的可解释推荐策略：白盒、灰盒和黑盒。每种策略通过不同的机制解释其排序决策：注意力权重、对抗扰动和反事实扰动。我们在用户和物品具有显式交互的上下文设置下的五个真实世界数据集上应用这些可解释模型。实证结果表明，我们的模型取得了极具竞争力的排序性能，并在众多定量指标和定性可视化方面生成了准确且有效的解释。
引用
@article{arxiv.2110.14844,
title = {From Intrinsic to Counterfactual: On the Explainability of Contextualized Recommender Systems},
author = {Yao Zhou and Haonan Wang and Jingrui He and Haixun Wang},
journal= {arXiv preprint arXiv:2110.14844},
year = {2021}
}