学习用于推荐的后验因果解释
信息检索
2021-02-24 v2 人工智能
机器学习
摘要
最先进的推荐系统能够生成高质量推荐，但由于使用黑盒预测模型，通常无法向人类提供直观解释。缺乏透明性凸显了提升推荐系统可解释性的关键重要性。本文中，我们提出从用户交互历史中提取因果规则，作为黑盒序列推荐机制的后验解释，同时保持推荐模型的预测精度。我们的方法首先借助扰动模型获得反事实样本，随后通过因果规则挖掘算法为推荐模型提取个性化因果关系。我们在若干最先进序列推荐模型与真实数据集上开展实验，以验证我们的模型在生成因果解释上的性能。同时，我们从质量与保真度方面评估所发现的因果解释，结果表明相较于传统关联规则，因果规则能为黑盒推荐模型的行为提供个性化且更有效的解释。
引用
@article{arxiv.2006.16977,
title = {Learning Post-Hoc Causal Explanations for Recommendation},
author = {Shuyuan Xu and Yunqi Li and Shuchang Liu and Zuohui Fu and Xu Chen and Yongfeng Zhang},
journal= {arXiv preprint arXiv:2006.16977},
year = {2021}
}