個(gè)性化推薦的可解釋性研究

1、個(gè)性化推薦的可解釋性研究隨著互聯(lián)網(wǎng)的迅速發(fā)展, 個(gè)性化推薦系統(tǒng)已經(jīng)逐漸成為各種網(wǎng)絡(luò)應(yīng)用中不可缺少的核心功能, 并以各種各樣的方式影響著人們?nèi)粘Ｉ畹姆椒矫婷? 電子商務(wù)網(wǎng)站中的購物推薦引擎為用戶提供可能感興趣的商品推薦; 社交網(wǎng)絡(luò)中的好友推薦為用戶尋找潛在的好友關(guān)注; 視頻網(wǎng)站中的視頻推薦為用戶提供最可能點(diǎn)擊的視頻推薦; 新聞門戶網(wǎng)站中的內(nèi)容推薦為用戶提供最有信息量的新聞個(gè)性化推薦技術(shù)已經(jīng)是支撐互聯(lián)網(wǎng)智能的基礎(chǔ)技術(shù)之一。個(gè)性化推薦系統(tǒng)已經(jīng)經(jīng)過了長(zhǎng)達(dá)十幾年的研究和發(fā)展, 然而隱變量方法的大量使用使得個(gè)性化推薦算法及其推薦結(jié)果的可解釋性仍然是困擾學(xué)術(shù)界重要問題之一, 并且至今仍然沒有在產(chǎn)業(yè)應(yīng)用中得

2、到很好的體現(xiàn)。舉例而言 , 在很多實(shí)際推薦系統(tǒng)中 , 算法只為用戶提供一份個(gè)性化的推薦列表作為結(jié)果, 而難以向用戶解釋為什么要給出這樣的推薦。缺乏可解釋性的推薦降低了推薦結(jié)果的可信度, 進(jìn)而影響推薦系統(tǒng)的實(shí)際應(yīng)用效果。考慮到推薦系統(tǒng)的應(yīng)用范圍之廣和影響之大, 可解釋性推薦的研究具有其重要性和緊迫性。在本文中, 我們從數(shù)據(jù)、模型和經(jīng)濟(jì)意義三個(gè)方面對(duì)推薦系統(tǒng)的可解釋性進(jìn)行研究,主要有貢獻(xiàn)如下:1. 數(shù)據(jù)的可解釋性:數(shù)據(jù)輸入是個(gè)性化推薦系統(tǒng)的第一步, 而用戶物品評(píng)分矩陣是個(gè)性化推薦算法, 尤其是基于矩陣分解的個(gè)性化推薦算法最主要的數(shù)據(jù)輸入形式。本文提出了基于雙邊塊對(duì)角矩陣的局部化矩陣分解框架, 并將

3、其應(yīng)用于矩陣分解的并行化。傳統(tǒng)的矩陣分解算法將原始矩陣看做一個(gè)整體進(jìn)行分解和預(yù)測(cè)而缺乏對(duì)矩陣內(nèi)在結(jié)構(gòu)的理解。在本工作中 , 我們提出矩陣的雙邊塊對(duì)角結(jié)構(gòu), 并在理論上證明該結(jié)構(gòu)與二部圖上社區(qū)發(fā)現(xiàn)算法的數(shù)學(xué)等價(jià)性, 從而解釋矩陣內(nèi)在的社區(qū)結(jié)構(gòu)和社區(qū)關(guān)系。在社區(qū)結(jié)構(gòu)的基礎(chǔ)上, 我們進(jìn)一步提出了局部化的矩陣分解框架, 并理論證明了它與傳統(tǒng)矩陣分解算法的兼容性, 從而為常用的矩陣分解算法提供了一個(gè)統(tǒng)一的并行化框架, 在提高預(yù)測(cè)精度的同時(shí)大幅提高計(jì)算效率。2. 模型的可解釋性 : 在用戶物品評(píng)分矩陣的數(shù)據(jù)基礎(chǔ)上 , 個(gè)性化推薦模型對(duì)用戶進(jìn)行偏好建模并給出個(gè)性化推薦。 本文提出了基于短語級(jí)情感分析的顯式變

4、量分解模型及其基于時(shí)間序列分析的動(dòng)態(tài)化建模?；诰仃嚪纸獾碾[變量模型由于其較好的評(píng)分預(yù)測(cè)效果和可擴(kuò)展性 , 逐漸成為了個(gè)性化推薦的基礎(chǔ)算法并在實(shí)際系統(tǒng)中得到廣泛的應(yīng)用。 然而由于變量本質(zhì)上的未知性, 隱變量模型難以對(duì)推薦算法和推薦結(jié)果給出直觀可理解的解釋, 進(jìn)而降低了推薦系統(tǒng)對(duì)用戶的可信度。在本工作中 , 我們利用短語級(jí)情感分析技術(shù)從大規(guī)模的用戶評(píng)論中抽取產(chǎn)品屬性詞及用戶在不同屬性上表達(dá)的情感, 進(jìn)而引入顯式變量并提出基于顯式變量分解模型的個(gè)性化推薦算法, 一方面使得模型的優(yōu)化過程具備了直觀意義, 另一方面給出在模型層面可解釋的推薦結(jié)果和個(gè)性化推薦理由。 由于用戶在不同屬性上的偏好具有間周期性

5、, 我們利用時(shí)間序列分析對(duì)用戶偏好進(jìn)行動(dòng)態(tài)建模和預(yù)測(cè)從而實(shí)現(xiàn)動(dòng)態(tài)時(shí)間意義的可解釋性推薦。3. 推薦的經(jīng)濟(jì)學(xué)解釋。 推薦系統(tǒng)在用戶行為數(shù)據(jù)和個(gè)性化偏好建模的基礎(chǔ)上以個(gè)性化推薦的方式隱式地調(diào)節(jié)商品在用戶中的匹配和購買, 從而在最終層面上影響所屬系統(tǒng)的經(jīng)濟(jì)效益。本文提出基于互聯(lián)網(wǎng)系統(tǒng)總福利最大化的個(gè)性化推薦框架并給出典型應(yīng)用場(chǎng)景中的具體實(shí)現(xiàn)。隨著人類傳統(tǒng)線下活動(dòng)的不斷線上化 , 常見的互聯(lián)網(wǎng)應(yīng)用均可以形式化為 “生產(chǎn)者服務(wù)消費(fèi)者” 模型 , 例如在電子商務(wù)網(wǎng)站中 , 網(wǎng)絡(luò)商家（生產(chǎn)者 ）提供在線商品 （服務(wù) ）, 而網(wǎng)絡(luò)用戶 （消費(fèi)者 ）則在眾多的商品中進(jìn)行選擇和購買?；趥鹘y(tǒng)經(jīng)濟(jì)學(xué)的基本定義, 本文首先給出了互聯(lián)網(wǎng)環(huán)境下效用、成本和福利的基本概念與統(tǒng)一形式, 并進(jìn)一步給出了互聯(lián)網(wǎng)應(yīng)用中總社會(huì)福利的通用計(jì)算方法。 在此基礎(chǔ)上 , 我們以互聯(lián)網(wǎng)服務(wù)分配為基本問題 , 提出基于網(wǎng)絡(luò)福利最大化的個(gè)性化推薦框架。進(jìn)一步，本文在典型的網(wǎng)絡(luò)應(yīng)用（電子商務(wù)、P2P借貸、在線眾包平臺(tái)）中對(duì)該框架