面向可解释推荐的排序理由学习
信息检索
2022-06-14 v1
摘要
最先进的推荐系统（RS）大多依赖复杂的深度神经网络（DNN）模型结构，这使其难以在给出推荐决策的同时提供解释。先前研究者已证明，在推荐物品的同时提供解释可帮助用户做出知情决策，并提升其对不可解释的黑盒系统的信任。在模型无关的可解释推荐中，系统设计者部署一个独立的解释模型，以决策模型的输入为基础，生成旨在具有说服力的解释。在本工作中，我们探索面向模型无关可解释推荐的文本理由（支撑证据）排序任务。现有大多数理由排序算法仅利用理由 ID 与交互矩阵来构建隐因子表示；而文本理由内部的语义信息未被有效学习。我们认为此类设计是次优的，因为文本理由内部的重要语义信息可用于更好地刻画用户偏好与物品特征。鉴于此差距，我们提出一种名为语义增强贝叶斯个性化解释排序（SE-BPER）的模型，以有效结合交互信息与语义信息。SE-BPER 首先用 transformer 模型生成的上下文嵌入初始化隐因子表示，随后用交互数据对其优化。大量实验表明，该方法在提升理由排序性能的同时简化了模型训练过程（更少的超参数与更快的收敛）。我们得出结论：结合语义与交互信息的最优方式在理由排序任务中仍是一个开放问题。
引用
@article{arxiv.2206.05368,
title = {Learning to Rank Rationales for Explainable Recommendation},
author = {Zhichao Xu and Yi Han and Tao Yang and Anh Tran and Qingyao Ai},
journal= {arXiv preprint arXiv:2206.05368},
year = {2022}
}