面向协同过滤的潜因子解释
信息检索
2018-04-11 v3
摘要
许多机器学习系统利用潜因子作为内部表示进行预测。然而,由于这些潜因子在很大程度上未被解释,使用它们做出的预测是不透明的。通过矩阵分解的协同过滤正是此类使用未解释潜特征算法的典型例子,并且已在许多推荐任务中被广泛采用。我们提出潜因子解释(LFI),一种通过利用潜因子在可被人理解特征方面的解释来解释模型的方法。潜因子的解释可替代未解释潜因子,从而产生一个用可解释特征表达预测的新模型。该新模型随后可用近期开发的模型解释技术加以解释。本文中我们为基于协同过滤的推荐系统开发了 LFI。我们在 MovieLens 数据集上展示了 LFI 解释的使用,整合了来自 IMDB 和 DB tropes 的辅助特征,并表明潜因子可被以足够精度预测以复现真实模型的预测。
引用
@article{arxiv.1711.10816,
title = {Latent Factor Interpretations for Collaborative Filtering},
author = {Anupam Datta and Sophia Kovaleva and Piotr Mardziel and Shayak Sen},
journal= {arXiv preprint arXiv:1711.10816},
year = {2018}
}