主次因子一致性作为领域知识指导在线评估中的幸福计算

基于大规模在线网络数据和机器学习方法的幸福计算是一个新兴研究课题，支撑着从个人成长到社会稳定等一系列问题。许多具有可解释性的先进机器学习 (ML) 模型被用于计算在线幸福评估，同时保持结果的高准确性。然而，这些模型缺乏领域知识约束，例如幸福因子的主次关系，这限制了计算结果与其发生原因之间的关联。本文试图从实证研究的角度为解释一致性提供新见解。随后，我们研究了如何表示和引入领域知识约束，以使 ML 模型更值得信赖。我们通过以下方式实现这一目标：(1) 证明具有加法因子归因的多个预测模型将具备理想的主次关系一致性属性；(2) 表明具有数量特征的因子关系可以表示为重要性分布，以编码领域知识。因子解释差异通过计算模型间基于 Kullback-Leibler 散度的损失进行惩罚。使用两个在线网络数据集的实验结果表明，稳定的因子关系领域知识是存在的。利用该知识不仅提高了幸福计算的准确性，还揭示了更具显著性的幸福因子，从而更好地辅助决策。