翻译_第二章：《Explainable Recommendation: A Survey and New Perspectives》可解释推荐系统综述

上篇链接：翻译_第一章：《Explainable Recommendation: A Survey and New Perspectives》可解释推荐系统综述

---

2. Information Source for Explanations

  解释是显示给用户的一段信息，解释为什么推荐某个特定物品。推荐解释可以从不同的信息源生成，并以不同的显示方式呈现，例如，一个相关的用户或物品，一个雷达图，一个句子，一个图像，或者一组推理规则。此外，对于同一推荐可能存在许多不同的解释。
　　这一部分将总结以下对推荐结果的解释采用不同的展现形式的各种方法，下图来自原文，图片左边部分是用户的评分，评语，右边部分是不同形式的推荐解释。

2.1 Explanation based on Relevant Users or Items

  从协同过滤方法开始讲起，user-cf和item-cf的解释通常是通过用户的显性反馈或隐性反馈体现的。
　　在user-based collaborative filtering (Resnick et al. [1994])中，Herlocker et al.[2000]尝试利用其邻居用户评分的聚合直方图来提供解释，如图2.2所示。

　　在item-cf(Sarwar et al.[2001])中，可以通过告诉用户推荐的项目与用户之前喜欢的其他一些项目相似来提供解释，如图2.3所示

　　Tintarev[2007]开发了一个原型系统来研究不同类型解释的效果，特别是relevant-user解释和relevant-item解释。特别地，作者提出了七个提供推荐解释的目标，包括透明度、可操作性、可信度、有效性、说服力、效率和满意度（ transparency, scrutability,trustworthiness, effectiveness, persuasiveness, efficiency, and satisfaction）。基于用户研究，作者表明通过提供满足这些目标的合适的解释能够提升推荐系统的性能。
　　通常，relevant-item解释更直观，用户更易于理解，因为用户熟悉她之前购买的产品。然而，因为目标用户可能对其他“相似”的用户一无所知，relevant-user解释可能不那么有说服力，这可能会降低解释的可信度。此外，在商业系统中，泄露其他用户的信息也可能导致隐私问题。这个问题将relevant-user解释带入了一个新的方向，即利用社交朋友的信息来提供社交解释。例如，我们可以向用户展示她朋友的公开兴趣来解释我们的社交推荐。接下来，我们将在社交解释部分回顾这一研究方向。

2.2 Feature-based Explanation

  基于特征的解释与基于内容的推荐方法密切相关。在基于内容的推荐中，系统通过将用户配置文件与候选物品得内容特征进行匹配，来提供推荐(Pazzani和Billsus, 2007;Ferwerda et al., 2012;Cramer et al.,2008)。基于内容的推荐通常是基于特征的直观解释。
　　在应用场景中，可以从不同的物品特征生成基于内容的推荐。例如，可以根据电影类型、演员或导演生成电影推荐；而书籍推荐可以根据书籍类型、价格或作者提供。基于特征解释的一个常规范例是向用户显示与用户配置文件匹配的特征。
　　Vig et al.,2009 将电影标签作为特征生成推荐和解释，如图2.4所示。为了解释推荐的电影，系统会显示电影的特征并告诉用户特征与她相关的理由。Ferwerda et al., 2012 进行了用户研究，结果支持了推荐解释能够提高用户对推荐的信任度和满意度。

　　内容特征可以以多种不同的解释样式来显示。例如， Hou et al., 2018 使用雷达图来解释为什么一个物品被推荐，为什么其他物品不被推荐。如图所示2.5所示，推荐的解释是，它的大部分方面都满足目标用户的偏好。

　　用户人口统计信息描述了用户的内容特征，人口统计特征也可以用来生成基于特征的解释。基于人口统计学的推荐(Pazzani, 1999)是最早实现个性化推荐系统的方法之一。最近，研究人员还将人口统计学方法整合到社交媒体中，在社会环境中提供产品推荐(Zhao et al., 2014; Zhao et al., 2016)。
　　基于人口统计的方法根据用户人口统计特征(如年龄、性别和居住地)进行推荐。直观地说，基于人口统计信息推荐的产品可以用触发推荐的人口统计特征来解释，例如，告诉用户在您这个年龄段有80%的客户购买了该产品，Zhao et al., 2014 在相同的人口统计特征空间中表示产品和用户，并使用排序函数获得的特征权重来解释结果;Zhao et al., 2016 进一步探索了社交媒体环境下的人口统计信息，以基于特征的解释进行产品推荐。

2.3 Textual Sentence Explanations

  越来越多的用户生成内容已经积累起来，例如电子商务评论和社交媒体帖子。研究人员已经证明，这些信息对用户配置和推荐非常有益。此外，它有助于生成更细粒度和更可靠的解释，这有助于用户做出更明智的决策。基于这种动机，许多基于用户生成的文本的解释推荐模型被提出。
　　根据文本解释的显示方式，这方面的方法大致可分为aspect级方法和句子级方法：
　　1） aspect级方法
　　aspect级别的解释类似于基于特征的解释，不同之处在于aspect通常不能直接在项或用户配置文件中使用。相反，它们作为推荐模型的一部分被提取或学习，例如，评论和apect可以与消费者意见配对，以表达一个明确的观点。
　　为了从大规模的文本评论中提取产品方面和用户情绪，Zhang et al., 2014 开发了一个名为Sentires的短语级情绪分析工具包，它可以从一个从大规模的文本评论中提取产品特性和用户情感，可以从产品的文本评论中提取“aspect-opinion-sentiment”三元组。例如，在手机领域，“noise-high-negative”，“screen-clear-positive”等。基于这个工具，zhang等在2014和2015年提出了显式因子模型用于可解释性推荐，将aspect-opinion对的词云作为解释。例如，“bathroom-clear”，它不仅反映了商品的aspect，而且反映了消费者对aspect的综合意见，突出了推荐商品在这些aspect上的表现。在兴趣点推荐POI (Zhao et al.,2015)和社交推荐(Ren et al.,2017)中也利用了这种情感增强的建模方法。
　　不使用情感分析，解释也可以生成用户偏好项目的aspect的词云。Wu and Ester, 2015 开发了一个主题建模方法，用于TripAdvisor上可解释的酒店推荐，它生成关于三个酒店特性(位置、服务和房间)的主题词云解释，如图2.6所示。词云中的词大小反映了对应词的重要性。

　　2） 句子级方法
　　在句子级的方法中，解释以句子的形式提供。
　　句子可以根据模板来构造，Zhang et al., 2014a 通过告诉用户*" You might be interested in feature, on which this product performs well"*来构造一个解释。在该模板中，根据个性化算法选择特征，构建个性化解释，如图2.7所示。Zhang et al., 2014a 中，基于真实的用户研究表明了同时提供推荐和不推荐以及它们的解释可以提高推荐系统的说服力、转化率和可信度。

　　我们也可以不使用模板直接生成解释句。如Costa et al., 2018 基于long-short term memory (LSTM)来生成解释句，通过对大规模用户评论的训练，该模型可以生成合理的评论语句作为解释，如图2.8所示。

　　受人们如何解释口碑推荐的启发，Chang et al., 2016 提出了一个将众包和计算相结合的过程，以生成个性化的自然语言解释，作者还对生成的解释进行了效率、有效性、信任和满意度方面的评估。 Li et al., 2017 利用gated recurrent units (GRU) 为Yelp中推荐的餐厅生成提示。虽然提示的生成并不直接来自可解释的推荐模型，但是提示对于用户理解推荐物品的关键特性仍然是有益的。

2.4 Visual Explanations

  为了利用视觉图像的直观特性，研究人员尝试利用物品的图像进行可解释的推荐。
　　Lin et al., 2019 研究了可解释的服装推荐问题，例如，给定一件上衣，如何推荐一组与上衣最匹配的候选下装(如裤子或裙子)，同时生成每个推荐的解释。技术上，本工作提出了一种mutual attention mechanism的卷积神经网络来提取服装的视觉特征，并将视觉特征输入神经预测网络来预测推荐的评分。在预测过程中，注意力机制将学习不同图像区域的重要性，从而告诉我们在生成推荐时图像的哪些区域正在起作用，如图2.9(a)所示。

　　Chen et al., 2019b 提出基于个性化的兴趣区域高亮的visually explainable recommendation，如图 2.10所示。其基本思想是产品形象的不同区域可以吸引不同的用户，如图2.9(b)所示。因此，作者采用了一种结合图像和评论信息的神经注意力机制来学习图像中每个区域的重要性。重要的图像区域以个性化的方式突出显示，为用户提供可视化的解释。
　　
可视化的可解释推荐的研究还处于起步阶段。随着深度图像处理技术的不断进步，我们期望图像能够更好地集成到推荐系统中，从而获得更好的性能和可解释性。

2.5 Social Explanation

  正如前面小节所讨论的，相关用户解释涉及到可信度和隐私问题，因为目标用户可能不知道有“相似兴趣”的其他用户。而如果我们告诉用户，他/她的朋友对推荐的商品有相似的兴趣，将更容易被接受。因此，研究人员提出利用社交信息来产生社交解释。
　　Papadimitriou et al., 2012 研究了用户类型、物品类型、特征类型以及混合类型的解释，还研究了将地理数据与社交数据结合的geo-social explanations。例如，Facebook在向用户推荐新朋友时，会提供共同好友作为解释(图2.11 (a))。

　　Sharma and Cosley, 2013 通过向目标用户提供喜欢推荐项目的朋友数量来研究社交解释对音乐推荐的影响(图2.11(b))。作者发现，这种解释会影响用户查看推荐艺术家的可能性，但这种可能性与用户对艺术家的实际评分之间几乎没有相关性。
　　Chaney et al., 2015 提出了social Poisson factorization，这是一个贝叶斯模型，将用户的偏好和她的朋友的潜在影响结合起来，为用户提供了可解释的意外发现（带来惊喜的新奇物品）。
　　除了朋友推荐之外，社交解释在其他社交网络场景中也同样有效。 Park et al., 2018 提出了 UniWalk算法利用评分数据和社交网络来生成可解释的产品推荐。这个框架中，可以根据目标用户的朋友(二者有类似的偏好)来解释推荐，如图2.12所示。
　　Quijano-Sanchez et al., 2017 介绍了一种应用于组推荐的社交解释系统，该系统显著提高了用户接受推荐的可能性、用户满意度和系统效率，帮助用户做出决策。
　　Wang et al., 2014 生成如*“A and B also like the item”*的社交解释。他们提出通过寻找一组最优用户来作为最具说服力的社交解释。具体而言，根据说服力的边际效用、解释的可信度和解释的阅读成本等因素，提出了一种两阶段排序算法来预测用户集的说服力。

2.6 Summary

  在本节中，我们介绍了几种不同风格的推荐解释：
　　1） 基于相关用户或物品的解释
　　它以最近邻用户或物品作为解释。该类型的解释与基于用户或基于物品的协同过滤方法背后的关键思想密切相关。
　　2） 基于特征的解释
　　它提供与目标用户的兴趣配置文件匹配的物品特征作为解释。这种方法与基于内容的推荐方法密切相关。
　　3） 基于文本句子的解释
　　它为目标用户提供解释句子。句子可以根据预先定义的模板构造，也可以根据自然语言生成模型直接生成。
　　4） 视觉解释
　　它为用户提供基于图像的解释。视觉解释可以通过一个完整的图像或图像中的用户可能感兴趣区域的高亮来表现。
　　5） 社交解释
　　基于目标用户的社交关系提供解释。这种解释有助于提高用户对推荐和解释的信任度。
　　
下篇链接：翻译_第三章：《Explainable Recommendation: A Survey and New Perspectives》可解释推荐系统综述