神经网络解决推荐系统问题（可解释性与TEM）

在综述中纷纷云云一言以蔽之就是各种技术的排列组合和性能优化。但神经网络很让人诟病的是它的“黑匣子”特性，在应用于推荐系统中时我们往往无法理解，即没有有效的可解释性（将下文末简单总结可解释性常用方法和模型）。

比如CF 是很好的个性化推荐主流技术，但它只对用户–项目交互进行建模，不能为推荐提供具体的理由（仅仅是你的朋友喜欢那么你就会喜欢，这样的理由往往太过粗糙）。技术上更是因为在基于embedding的方法后，如Wide&Deep和FM等，虽然有很好的推荐性能，但是它们就像黑匣子一样工作，无法解释embedding后的隐变量究竟是什么，也无法明确说明预测的理由。而基于树的方法，如决策树，只是通过从数据中推断决策规则来进行预测的，而忽视了交互特性，因此它具有在协作性、扩展性的场景效果不佳。于是乎：

Tree-enhanced Embedding Method (树增强嵌入方法，TEM) 结合了基于embedding和基于tree的模型的优点。即先使用一个基于树（GBDT）的模型来学习丰富的显式决策规则(从用户和项目的侧信息上学习交叉特性)。然后再用基于embedding的attention模型，它可以包含显式的交叉特征，也可以推广到用户ID上未见的交叉特征和还有物品ID。
比如上面的GBDT树，具体分类标准如下：

从根结点到叶结点的路径可以看作形成了一个决策规则，这就形成了天然的自解释的性质。其本质还是以树端的属性作为解释，使用了树的方法来形成这种天然的分支。但是由于单纯的tree在面对未知特征，比如用户和商品的ID时树模型的泛化能力很差。于是再采用embedding：

即该模型先使用GBDT来构造各种交叉特征（构造完毕后），然后利用交叉特征，仅仅使用embedding和attention机制来代替全连接层（全连接层的高抽象能力产生的非线性，也没有了模型的可解释性）。其中模型中的attention net具体为：

$W_{uil}$是（u，i）的第 l 个交叉向量的权重，但是对于没记录即（u，i）不存在的情况下无法估计这个权重，所以作者将它看作是一个独立函数，然后用MLP来估计它。最后再用max或者avg来聚合特征。

论文原文：《TEM: Tree-enhanced Embedding Model for Explainable Recommendation》

---

---

---

---

---

可解释推荐–Explainable Recommendation

可解释推荐是指个性化推荐算法解决问题的原因，它们不仅为用户提供推荐，而且使用户意识到为什么建议通过生成推荐解释来推荐这样的项目，这有助于提高推荐器系统的有效性、效率、说服力和用户满意度。

推荐系统任务可归为5W：what, when, who, where, and why。

• when。time-aware recommendation
• what。 application-aware recommendation
• who。 social recommendation
• where 。location-based recommendation
• why 。explainable recommendation

即基于时间推移推荐(what)、基于位置的推荐(where)、社会推荐(who)、应用程序感知推荐(what)，以及可解释的推荐(why)，在其中，可解释的建议旨在回答为什么的问题。如上面的那张大图展示了可解释性推荐的不同形式，传统解释是以相似为基础，然后是利用生成的文本图像用于解释。

早期的可解释性推荐的研究大都是基于推荐内容（告知用户被推荐项的特征是他所感兴趣的）或者CF（“与你相似的人也喜欢这一项”or “这一项与你之前喜欢的项目相似”等等）。目前所用方法主要从，一以生成的具体的解释类型如文本图像，二以生成解释所依赖的模型。

上图是使用雷达图来解释为什么某些项目被推荐给一个用户，下图是文本中抽取产品特征和情感作为解释。

利用可视化图片，指出用户可能更加关心的区域来做可解释推荐。

利用社交网络用于解释和用户推荐，具体过程如图。

可解释性推荐所用模型
最近流行的可解释推荐方法大多是基于模型的方法，即推荐是由矩阵/张量分解、分解机器等模型，同时模型和推荐结果都是可解释的。下面是MF做可解释性的示意图。

(A)基本想法是推荐符合用户所关心的功能的产品。(B)将每个评审(阴影块)转换为一组附有用户想要表达的感觉。©不同关注特征的用户被构造为用户特征关注矩阵X，特征上的项目质量被构造为两个矩阵，协作预测评级矩阵A。(D)显式产品特征可以用来产生个性化的解释。
下图是利用评分和评论，连接社会关系的思路。

基于图，利用聚类方法来解释。

利用注意力来解释

利用知识图谱

论文原文：《Explainable Recommendation: A Survey and New Perspectives》