[論文レビュー] Generate Natural Language Explanations for Recommendation

Hanxiong Chen, Xu Chen+2 more|arXiv (Cornell University)|Jan 9, 2021

Topic Modeling参考文献 37被引用数 37

ひとこと要約

論文は、推奨結果に対する自由形式の個別説明を生成するための自動デノイズ機構を備えた階層的系列-to-系列モデルを提案し、予測精度を維持または向上させる。

ABSTRACT

Providing personalized explanations for recommendations can help users to understand the underlying insight of the recommendation results, which is helpful to the effectiveness, transparency, persuasiveness and trustworthiness of recommender systems. Current explainable recommendation models mostly generate textual explanations based on pre-defined sentence templates. However, the expressiveness power of template-based explanation sentences are limited to the pre-defined expressions, and manually defining the expressions require significant human efforts. Motivated by this problem, we propose to generate free-text natural language explanations for personalized recommendation. In particular, we propose a hierarchical sequence-to-sequence model (HSS) for personalized explanation generation. Different from conventional sentence generation in NLP research, a great challenge of explanation generation in e-commerce recommendation is that not all sentences in user reviews are of explanation purpose. To solve the problem, we further propose an auto-denoising mechanism based on topical item feature words for sentence generation. Experiments on various e-commerce product domains show that our approach can not only improve the recommendation accuracy, but also the explanation quality in terms of the offline measures and feature words coverage. This research is one of the initial steps to grant intelligent agents with the ability to explain itself based on natural language sentences.

研究の動機と目的

• 個人化されたテキスト説明を必要性を動機づけ、透明性、説得力、信頼を向上させるための研究目的
• テンプレート・検索ベースの説明の限界に対処し、自由テキストの説明生成を可能にする
• ノイズの多いレビューからデノイズし、個々のユーザーとアイテムに合わせた説明を作成するモデルを開発
• レーティング予測と説明生成をマルチタスクフレームワークで同時学習し、共有表現を活用

提案手法

• context GRU と sentence GRU からなる階層的GRUベースのジェネレータを導入し、複数の説明文を生成
• レビューから抽出された製品特徴語に対する特徴認識型アテンション機構を組み込み、説明を個人化
• 各文の特徴語の割合に基づく監督的要因で重み付けする自動デノイズ機構を適用
• ユーザーとアイテムの埋め込みを用いた単語レベルGRUで説明を生成し、文脈由来の状態で初期化
• 評価は、レーティング回帰損失と加重文生成損失および正則化を組み合わせたマルチタスク目的関数を訓練
• 従来の NLP 指標（BLEU、ROUGE）と説明可能性を反映する特徴語カバレージ指標を用いて評価

実験結果

リサーチクエスチョン

• RQ1 階層的生成フレームワークは、既存のテキストからのテンプレートや検索なしに個人化された自然言語説明を生成できるか？
• RQ2 特徴語ベースのアテンションと自動デノイズを取り入れると、説明の品質とユーザーへの有用性は向上するか？
• RQ3 レーティング予測と説明生成の共同訓練は、推奨性能と説明品質にどう影響するか？

主な発見

• モデルは offline 指標 BLEU、ROUGE、および特徴語カバレッジを用いて説明品質とレーティング予測性能を評価する。
• 自動デノイズ機構は、特徴語含有量の高い文に訓練を集中させ、説明の関連性を向上させる。
• 特徴語認識型アテンションにより、各ユーザー-アイテムペアに関連する製品特徴を強調して個人化を実現。
• Electronics および Beauty データセットでの実験は、レビュー情報を活用しつつ説明を生成するアプローチの実現可能性を示す。