[论文解读] Explainable Recommendation: Theory and Applications

Yongfeng Zhang|arXiv (Cornell University)|Aug 21, 2017

Recommender Systems and Techniques参考文献 290被引用 10

一句话总结

本文提出了一套全面的可解释推荐框架，涵盖数据、模型和经济层面的可解释性。该框架引入了局部化矩阵分解（Localized Matrix Factorization）以实现可解释的协同过滤，采用短语级情感分析的显式因子模型（Explicit Factor Models）来提取特定特征的用户意见，并基于经济理论构建了总剩余最大化框架（Total Surplus Maximization），以优化推荐效用。其核心贡献在于提出了一种统一方法，通过可解释的、以用户为中心的解释，增强推荐系统中的透明度与可信度。

ABSTRACT

Although personalized recommendation has been investigated for decades, the wide adoption of Latent Factor Models (LFM) has made the explainability of recommendations a critical issue to both the research community and practical application of recommender systems. For example, in many practical systems the algorithm just provides a personalized item recommendation list to the users, without persuasive personalized explanation about why such an item is recommended while another is not. Unexplainable recommendations introduce negative effects to the trustworthiness of recommender systems, and thus affect the effectiveness of recommendation engines. In this work, we investigate explainable recommendation in aspects of data explainability, model explainability, and result explainability, and the main contributions are as follows: 1. Data Explainability: We propose Localized Matrix Factorization (LMF) framework based Bordered Block Diagonal Form (BBDF) matrices, and further applied this technique for parallelized matrix factorization. 2. Model Explainability: We propose Explicit Factor Models (EFM) based on phrase-level sentiment analysis, as well as dynamic user preference modeling based on time series analysis. In this work, we extract product features and user opinions towards different features from large-scale user textual reviews based on phrase-level sentiment analysis techniques, and introduce the EFM approach for explainable model learning and recommendation. 3. Economic Explainability: We propose the Total Surplus Maximization (TSM) framework for personalized recommendation, as well as the model specification in different types of online applications. Based on basic economic concepts, we provide the definitions of utility, cost, and surplus in the application scenario of Web services, and propose the general framework of web total surplus calculation and maximization.

研究动机与目标

• 为解决潜在因子模型中可解释性不足的问题，该问题削弱了用户对推荐系统的信任。
• 通过引入基于边界块对角形式矩阵（Bordered Block Diagonal Form matrices）的局部化矩阵分解（LMF），实现数据层面的可解释性，支持并行化、局部化的因子分解。
• 通过在用户评论中采用短语级情感分析提取用户对产品特征的意见，并利用时间序列技术建模用户偏好的动态变化，实现模型层面的可解释性。
• 通过基于经济理论的总剩余最大化框架（Total Surplus Maximization framework），正式定义网络服务推荐场景中的效用、成本与剩余，实现经济层面的可解释性。
• 在数据、模型与经济维度之间实现理论与应用的整合，构建端到端的可解释推荐系统。

提出的方法

• 提出基于边界块对角形式（Bordered Block Diagonal Form, BBDF）矩阵的局部化矩阵分解（LMF），实现局部化、并行化的矩阵分解，提升潜在因子模型在数据层面的可解释性与可扩展性。
• 引入显式因子模型（Explicit Factor Models, EFM），利用用户评论中的短语级情感分析技术，提取与特定产品特征相关的用户意见，并显式建模用户偏好。
• 采用时间序列分析技术，对用户偏好的动态演变进行建模，通过追踪用户情感与兴趣随时间的变化，增强模型的可解释性。
• 基于经济原理构建总剩余最大化（Total Surplus Maximization, TSM）框架，明确定义网络服务场景中的效用、成本与剩余，为推荐优化提供指导。
• 将 LMF、EFM 与 TSM 三个组件整合为统一架构，支持透明、个性化且经济上合理的推荐。
• 在真实世界的推荐场景中应用该框架，通过模型配置与剩余最大化，展示其在多样化在线应用中的适应能力。

实验结果

研究问题

• RQ1 如何通过局部化因子分解和结构化矩阵形式，使协同过滤更具可解释性？
• RQ2 短语级情感分析在多大程度上能通过将用户意见与具体产品特征关联，提升模型的可解释性？
• RQ3 如何对用户偏好的动态演变进行建模，以增强推荐决策的可解释性？
• RQ4 能否将效用与剩余最大化等经济原则形式化并应用于设计更可信的推荐系统？
• RQ5 如何将数据、模型与经济可解释性整合为一个连贯的框架，以实现实际部署？

主要发现

• 局部化矩阵分解（LMF）框架利用边界块对角形式矩阵实现高效、并行化的矩阵分解，显著提升了潜在因子模型的可扩展性与可解释性。
• 显式因子模型（EFM）通过短语级情感分析，成功从文本评论中提取出与特定产品特征相关的用户意见，实现了对推荐结果的细粒度、属性级解释。
• 基于时间序列分析的动态用户偏好建模能够捕捉用户兴趣的演变过程，使推荐能够随时间自适应调整，并对变化提供合理解释。
• 总剩余最大化（TSM）框架为推荐系统提供了正式的经济基础，明确定义了网络服务场景中的效用与成本，并支持以剩余为导向的优化。
• 将 LMF、EFM 与 TSM 整合为统一框架，证明了在多样化应用场景中构建可信、透明且个性化的推荐系统在技术上的可行性。
• 所提出的框架通过一项长达 169 页的研究得到验证，所有组件均设计为可在真实世界推荐系统中实际部署。