GREASE：为基于GNN的推荐生成事实性与反事实性解释
信息检索
2022-08-09 v1 人工智能
机器学习
摘要
近年来，图神经网络（GNNs）已被广泛用于开发成功的推荐系统。尽管功能强大，但基于GNN的推荐系统很难对特定物品为何出现在给定用户的建议列表中给出切实的解释。事实上，解释基于GNN的推荐是独特的，现有的GNN解释方法因两个原因而不适用。首先，传统的GNN解释方法是为节点、边或图分类任务而非如推荐系统中的排序任务设计的。其次，标准机器学习解释通常旨在辅助熟练的决策者。相反，推荐系统是为任何终端用户设计的，因此其解释应以用户可理解的方式提供。在这项工作中，我们提出GREASE，一种用于解释任何黑盒基于GNN的推荐系统所提供建议的新方法。具体而言，GREASE首先针对目标用户-物品对及其-跳邻域训练一个代理模型。然后，它通过寻找最优邻接矩阵扰动分别捕捉物品被推荐的充分与必要条件，从而生成事实性和反事实性解释。在真实世界数据集上的实验结果表明，GREASE能够为流行的基于GNN的推荐模型生成简洁而有效的解释。
引用
@article{arxiv.2208.04222,
title = {GREASE: Generate Factual and Counterfactual Explanations for GNN-based Recommendations},
author = {Ziheng Chen and Fabrizio Silvestri and Jia Wang and Yongfeng Zhang and Zhenhua Huang and Hongshik Ahn and Gabriele Tolomei},
journal= {arXiv preprint arXiv:2208.04222},
year = {2022}
}