面向个性化排序的可解释三元组重要性

个性化物品排序一直是推荐系统性能的关键组成部分。作为代表性方法,双向排序直接通过构建(\textit{用户},\textit{正样本物品},\textit{负样本物品})三元组来优化排序。近期一些研究注意到,对所有三元组相等地对待很难获得最佳效果。他们分别为负样本、用户-物品对或三元组分配不同的重要性得分。然而,几乎所有生成的重要性得分都是无依据且难以解释的,远离可信赖和透明。为此,我们提出了\textit{Triplet Shapley}--一种基于Shapley值的方法,以可解释的方式衡量三元组的重要性。由于三元组数量庞大,我们将原始Shapley值计算转换为蒙特卡洛(MC)近似,其中也提供了近似无偏性的保证。为稳定MC近似,我们采用基于控制共变的的方法。最后,我们利用三元组Shapley值来指导对重要性三元组的重新抽样,以促进模型学习。我们在包含经典矩阵分解和图神经网络基方法的六个公开数据集上进行了广泛实验。经验结果和随后的分析表明,我们的模型在当前最先进方法上持续显著优于。