[논문 리뷰] Generate Natural Language Explanations for Recommendation

Hanxiong Chen, Xu Chen외 2명|arXiv (Cornell University)|2021. 01. 09.

Topic Modeling참고 문헌 37인용 수 37

한 줄 요약

논문은 자동 잡음 제거 메커니즘이 있는 계층적 시퀀스-투-시퀀스 모델을 제안하여 추천에 대한 자유로운 텍스트 맞춤형 설명을 생성하면서 예측 정확성을 유지하거나 개선합니다.

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.

연구 동기 및 목표

• 개인화된 텍스트 설명이 추천 시스템의 투명성, 설득력 및 신뢰를 높이기 위한 필요성을 제시합니다.
• 템플릿 기반 및 검색 기반 설명의 한계를 극복하고 자유 텍스트 설명 생성을 가능하게 합니다.
• 노이즈가 있는 리뷰 데이터를 잡음 제거하고 개인 사용자 및 아이템에 맞춘 설명을 구성합니다.
• 공유 표현을 활용하기 위해 다중 작업 프레임워크에서 평가 예측 및 설명 생성을 함께 학습합니다.

제안 방법

• 컨텍스트 GRU와 문장 GRU로 구성된 계층적 GRU 기반 제너레이터를 도입하여 다중 설명 문장을 생성합니다.
• 리뷰에서 추출된 제품 특징 단어에 대한 특징 인식형 주의 메커니즘을 도입하여 설명을 개인화합니다.
• 각 문장 내 특징 단어의 비율에 기반한 감독 요소로 가중치를 두어 자동 잡음 제거 메커니즘을 적용합니다.
• 사용자 및 아이템 임베딩을 이용한 단어 수준 GRU를 사용하여 설명을 생성하고 context로부터 얻은 상태로 초기화합니다.
• 평점 회귀 손실과 가중된 문장 생성 손실 및 정규화를 결합한 다중 작업 objective를 학습합니다.
• 전통적인 NLP 지표(BLEU, ROUGE)와 설명 가능성을 반영하는 특징 단어 커버리지 측정을 사용하여 평가합니다.

실험 결과

연구 질문

• RQ1 계층적 생성 프레임워크가 기존 텍스트 템플릿이나 텍스트에서의 검색 없이도 개인화된 자연어 설명을 생성할 수 있는가?
• RQ2 특징 단어 기반의 주의 및 자동 잡음 제거를 도입하면 설명 품질과 사용자에게 대한 설명의 유용성이 향상되는가?
• RQ3 평점 예측과 설명 생성을 공동 학습하는 것이 추천 성능과 설명 품질에 어떤 영향을 미치는가?

주요 결과

• 모델은 오프라인 지표인 BLEU, ROUGE, 특징 커버리지를 사용하여 설명 품질과 평점 예측 성능을 함께 평가합니다.
• 자동 잡음 제거 메커니즘은 특징 단어 내용이 더 높은 문장에 학습을 집중시켜 설명의 관련성을 향상합니다.
• 특징 인식형 주의는 각 사용자-아이템 페어에 대해 관련 제품 특징을 강조하여 개인화를 가능하게 합니다.
• 전자제품(Electronics) 및 뷰티(Beauty) 데이터셋에 대한 실험은 리뷰 데이터를 활용하면서도 설명 생성을 위한 접근법의 실현 가능성을 보여줍니다.