[论文解读] An Explainable Autoencoder For Collaborative Filtering Recommendation

Pegah Sagheb Haghighi, Olurotimi Seton+1 more|arXiv (Cornell University)|Dec 23, 2019

Recommender Systems and Techniques参考文献 18被引用 7

一句话总结

本文提出了一种可解释的自编码器（E-AutoRec）用于协同过滤，通过将基于邻域的可解释性评分作为辅助信息整合，提升了推荐的可解释性，同时保持了较高的预测准确率。该方法在不牺牲准确率的前提下显著提升了可解释性，在多个指标上优于基线自编码器。

ABSTRACT

Autoencoders are a common building block of Deep Learning architectures, where they are mainly used for representation learning. They have also been successfully used in Collaborative Filtering (CF) recommender systems to predict missing ratings. Unfortunately, like all black box machine learning models, they are unable to explain their outputs. Hence, while predictions from an Autoencoder-based recommender system might be accurate, it might not be clear to the user why a recommendation was generated. In this work, we design an explainable recommendation system using an Autoencoder model whose predictions can be explained using the neighborhood based explanation style. Our preliminary work can be considered to be the first step towards an explainable deep learning architecture based on Autoencoders.

研究动机与目标

• 为解决基于深度学习的协同过滤模型（尤其是自编码器）缺乏可解释性的问题，这些模型通常为黑箱系统。
• 开发一种推荐系统，能够为其预测提供可解释的依据，而无需依赖外部内容数据。
• 将从用户邻域中提取的可解释性评分作为辅助信息集成到自编码器架构中。
• 在显著提升前n名推荐的可解释性的同时，保持高预测准确率。
• 证明在基于自编码器的推荐系统中，可解释性可以得到增强而不会损害模型性能。

提出的方法

• 该模型采用标准的自编码器架构，包含编码器和解码器，其中输入层同时包含用户评分向量和预先计算的可解释性评分作为辅助信息。
• 可解释性评分通过基于邻域的方法生成，每个用户的可解释性向量基于其最相似用户的评分计算得出。
• 可解释性矩阵 E 通过每个用户最相似的 k 个用户构建，评分反映邻域中项目评分的频率。
• 自编码器使用重构损失函数进行训练，以最小化预测评分与实际评分之间的差异，并将可解释性评分整合到输入层以引导学习过程。
• 模型在编码阶段使用 Sigmoid 激活函数，解码阶段使用恒等函数，且编码器与解码器层之间共享权重。
• 可解释性阈值 θ 控制可解释项目的稀疏性，值越高，推荐列表中可解释项目的数量越少。

实验结果

研究问题

• RQ1 是否可以不依赖基于内容的特征，使基于自编码器的协同过滤模型具备可解释性？
• RQ2 集成基于邻域的可解释性评分如何影响推荐的准确率与可解释性？
• RQ3 在基于深度学习的推荐系统中，可解释性与预测准确率之间是否存在权衡？
• RQ4 是否可以在不牺牲模型性能的前提下增强基于自编码器系统的可解释性？
• RQ5 邻域大小和可解释性阈值等超参数如何影响准确率与可解释性之间的平衡？

主要发现

• 在所有测试的参数设置下，E-AutoRec 模型的 RMSE 性能与基线 AutoRec 相当或更优，表明预测准确率未受影响。
• 平均解释精确率（MEP）指标显示，E-AutoRec 在解释推荐方面始终优于 AutoRec，尤其在较大的前n名推荐列表中表现更优。
• 增加邻域大小（|Nu|）可提升 MEP，仅伴随 MAP 的轻微、渐进式下降，表明可解释性与准确率之间存在有利的权衡。
• 可解释性阈值 θ 会减少可解释项目数量，导致两模型的 MEP 下降，但 E-AutoRec 在所有阈值水平下均保持更高的可解释性。
• 在前20名推荐中，两模型的 MAP 表现良好，但 E-AutoRec 在此之后仍能维持更高的 MEP，显示出更强的长尾可解释性。
• 将可解释性评分作为辅助信息整合，同时提升了准确率与可解释性，证明可解释性可内嵌于学习过程中而不降低性能。