面向反事实可解释推荐的强化路径推理
信息检索
2022-07-15 v1 人工智能
摘要
反事实解释通过探究对物品或用户的最小改动如何影响推荐决策来解释推荐机制。现有的反事实可解释方法面临巨大的搜索空间，且其解释要么基于动作（如用户点击），要么基于方面（即物品描述）。我们认为基于物品属性的解释对用户而言更直观且更具说服力，因为它们通过细粒度的物品人口统计特征（如品牌）进行解释。此外，反事实解释可通过过滤负面物品来增强推荐。在这项工作中，我们提出一种新颖的反事实可解释推荐（CERec）方法，以生成基于物品属性的反事实解释，同时提升推荐性能。我们的CERec在强化学习环境中对均匀搜索候选反事实的解释策略进行优化。我们利用给定知识图谱的丰富上下文信息，通过自适应路径采样器来缩减巨大的搜索空间。我们还将该解释策略部署到推荐模型中以增强推荐。大量的可解释性与推荐评估表明，CERec能够提供与用户偏好一致的解释并维持改进的推荐效果。我们在 https://github.com/Chrystalii/CERec 发布了代码。
引用
@article{arxiv.2207.06674,
title = {Reinforced Path Reasoning for Counterfactual Explainable Recommendation},
author = {Xiangmeng Wang and Qian Li and Dianer Yu and Guandong Xu},
journal= {arXiv preprint arXiv:2207.06674},
year = {2022}
}