【推荐系统】Explainable Recommendation

参考论文：Explainable Recommendation: A Survey and New Perspectives 

1. 什么是可解释推荐系统？

可解释推荐系统，作为回答推荐系统中"why"这个问题的technique，自然地把human-in-the-loop包含了进来。那什么是可解释推荐系统呢？

可解释推荐系统是：

1. 给用户推荐可能会被该用户喜欢的产品

2. 并为给出的推荐作出合理的解释

这里所给出的解释来自于哪里？推荐系统的可解释性又可以分为model-intrinsic和model-agnostic。因此解释可以来自模型本身，这类模型在设计推荐算法的时候就已经是一个可解释的过程了。解释也可以是重新建立一个解释模型，用于对已经训练好的推荐模型进行model-agnostic，也称post-hoc的解释。

后文主要讨论post-hoc的解释，接下来讲一下解释角度。

2. 解释角度？

关于解释角度，或者说是解释内容，也有不同的选择。在给一个推荐item做解释的时候，可以从不同的角度出发，比如可以是相似的user或是item，作为推荐的原因；也可以是feature-based，也就是推荐的item的某个特征可能受user喜欢，等等方法...

 

 

1. Relevant User or Item Explanation（我觉得也可以起名叫interaction-based，总之是一个比较粗粒度的，user或item level的）

这个主要是CF-based Recommendation可以给出的解释形式。比方说一个item被推荐，如果是relevant user就是说其他和你比较像的用户对这几个item的评分很高，而如果是relevant item则是你过去购买的item和这个很像。

优点：item based要比user based接受度更高，因为item是用户历史交互过的，更加熟悉。

2. Feature based

这个主要是Content-based Recommendation比较直观可以给出的解释形式。也分为两种：item和user这两方面的。

（1）对于item而言，比方说电影的feature有类别、演员，或者导演，又比如书籍的feature可以是种类、价格，或者作者。一般情况下feature-based的解释是通过给user展示和user profile匹配的feature。

（2）对于user而言，就可以这么解释：和你同龄段的80%的人都买了这个item，所以给你推荐了它。

展现形式大致有三种：tags，radar，demographic。其中tags和radar可以用来展示item-based，而demographic一般以文字的形式展示user-based。

优点：用户更好接受，而且可以帮助提升推荐系统的effectiveness；此外也有研究显示用户对于推荐系统的trust和satisfaction和解释是highly correlated的。

3. opinion-based

这个属于是item-based，只不过用于解释推荐item的feature并不是直接来自于产品标明的信息，而是来自于不同用户们这个item的review。这个收集数据的耗费比较大，对大部分数据集不是很友好。比如说，可以给出word cloud，其中word的大小和sentiment成比例。

4. sentence-based

这个也同样属于是item-based，有两种表达方式：（1）template-based （2）generated-based

（1）template-based  

（2）generation-based

这两个的都可以在原文中找到。

优点：Based on user studies, it shows that providing both recommendation and dis-recommendation explanations improve the persuasiveness and conversion rate of recommender systems.

5. visual explaination

这个相当于把item的图片给放出来，然后会显示在推荐过程中起作用的部分是什么。比如说在那种全套衣物推荐的场景下，给一个上衣的图，然后通过一个训练好的CNN-based的推荐模型，会输出推荐的几个下装，并输出每个推荐的解释。每个推荐的解释是看每个pixel对最后输出的贡献，贡献大的说明对推荐结果起了比较大的作用。并且这种解释是personalized，对于不同的user，同一个推荐的item可能会输出不同的解释。

6. social explanation

这个是最开头说的user-based的另一种形式，借助social network给出解释的方法。比如说，“你的多少个朋友也购买了这个item，所以给你推荐了这个item。”

优点： significantly increased the likelihood of the user acceptance, the user satisfaction, and the system efficiency to help users make decisions.

总结

从解释角度来分类，可以简单划分为user-based和item-based。其中user-based可以是interaction-based，feature-based，或是social relation based。另外item-based可以是interaction-based，feature-based（tags，radar），opinion-based，和visual based

3. 生成解释的方法

前面说过，解释形式主要分为model-intrinsic和model-agnostic。在这个章节里作者先介绍了model-intrinsic的，包括MF(point-wise, pair-wise, list-wise)，deep learning和representation learning包括deep&wide network，sequential recommendation，autoencoders, 等等。这些model-intrinsic又叫model-based的方法，是在设计模型的时候，就将解释性考虑在内。

• model-based explanation

1. factorization models for explainable recommendation

基于MF或FM的推荐模型要如何给出推荐的解释呢？首先这类模型都会对用户和产品在同一隐空间（latent space）进行建模。如果不对隐空间的每个维度进行产品特征的对应的话，就只能通过interaction-based的解释方法进行。而如果对隐空间的维度赋予显式的特征的话，就可以给出feature-based的解释。比如说“这个产品会推荐给你是因为你对【某个特征】比较感兴趣，而这个产品在【某个特征】表现的很好”。

2. topic modeling for explainable recommendation

通过textual信息，可以给出word clouds形式的解释。这个对应到前文所讲的opinion-based和sentence-based这些通过用户的评价来建模item feature的解释角度。

3. graph-based models for explainable recommendation

这个也是CF method的一种，每个user和item有自己的表示，可以给出interaction-based中user-based或item-based的其中任意一种。

4. deep learning for explainable recommendation

深度学习的模型种类繁多，包括CNN，RNN/LSTM等等。一般基于深度学习的方法都是将推荐和自然语言处理结合在一起，通过用户的review来提出item的feature，进而进一步为推荐作出feature-based或是tags或是sentence-based的解释

5. knowledge graph-based explainable recommendation

优点：help generate intuitive and more tailored explanations for the recommended items

相关工作有，

（1）同时为item和KG的entities做ranking的，也就是做出推荐的同时能够给出解释。

（2）学习KG的embedding，首先构建一个knowledge graph，其中的节点包括user，item和其他entities例如user review里出现的word，或者item的category等等。那么这个KG的embedding怎么学呢？就通过graph-based method学出每个entity的embedding。在为用户推荐的时候，先找到“purchase”这个关系下最相似的item，然后解释就可以通过寻找KG上最短的路径作出解释。

（3）在sequential recommendation setting下引入KG。通过Memory network捕捉user对item不同attribute-level的偏好，最后结合RNN学出来的user preference和memory network学出来的attribute-level的user preference，成为最终的user preference。

（4）KG可以帮助解释的生成，可以在一个推荐模型的训练过程中，同时加入一个KG路径的正则项，使得推荐模型更加具有可解释性。

6. rule mining for explainable recommendation

优点：这种rule mining的可以给出非常直观的解释。

• model-agnostic explanation

model-agnostic explanation又称post-hoc explanation。与model-based这种同时给出推荐和解释的方法不同，post-hoc是用推荐模型给出推荐列表后，用另一个解释模型生成的解释，与生成推荐的模型是独立分开的。

经过一些很复杂的推荐模型拿到给用户的推荐列表后，我们可以利用

（1）统计信息，作为解释，比如，“有70%的你的朋友购买了这个item，所以给你推荐了它”。通常这种基于统计信息的，都会给固定的template来展示。

（2）association rule mining的方法，首先对于一个推荐模型，收集到所有user的history和推荐的列表，并对他们提取association rules，比方说“因为你观看了X，所以我们给你推荐了Y”。如果一个item同时能够被这个association rule推荐，也能够被推荐模型推荐，就认为这个item的推荐是可解释的。

（3）还有借助强化学习生成post-hoc explanation的方法。在这里推荐模型相当于是环境的一部分，而智能体的决策是生成推荐列表的解释，并且基于这个解释能够正确预测出推荐列表。

（4）还有使用influence analysis的，这个相当于找到最起作用的input是什么。比方给了一个用户的历史序列，然后推荐模型输出了推荐列表。在这里，我们要找的解释就是找到对推荐结果最起作用的历史交互。

总之，post-hoc的一大优点是，有比较强的灵活度，能够运用在各种不同的推荐模型上。