试试这个替代：个性化且可解释的替代品推荐
信息检索
2020-05-20 v1
摘要
作为个性化推荐中基础而重要的过程，候选生成与建议有效帮助用户发现最适合自己的物品。因此，识别可互换的替代物品为提升生成候选的质量开辟了新机遇。当用户浏览某类特定产品（如笔记本电脑）欲购买时，准确推荐替代品（如配置更优的笔记本电脑）可为用户提供更适合的选择，从而显著提升成功购买的概率。然而，现有方法仅将此问题视为挖掘成对物品关系，未考虑用户个人偏好。此外，替代关系通过学到的物品隐表示被隐式识别，导致推荐结果不可解释。本文中，我们提出属性感知协同过滤(A2CF)，从个性化与可解释性两个角度解决替代品推荐问题。我们不直接建模用户-物品交互，而是利用情感分析从用户评论中抽取显式且极化的物品属性，随后同时学习属性、用户与物品的表示。接着，通过将属性作为用户与物品间的桥梁，我们可全面建模用户-物品偏好（即个性化）与物品-物品关系（即替代）以用于推荐。此外，A2CF 能通过分析与用户当前最关心的属性，并在属性层面将推荐替代品与其当前浏览物品进行比较，生成直观解释。在三个真实数据集上的大量实验证明了 A2CF 的推荐有效性与解释质量。
引用
@article{arxiv.2005.09344,
title = {Try This Instead: Personalized and Interpretable Substitute Recommendation},
author = {Tong Chen and Hongzhi Yin and Guanhua Ye and Zi Huang and Yang Wang and Meng Wang},
journal= {arXiv preprint arXiv:2005.09344},
year = {2020}
}
备注
To appear in SIGIR'20