[论文解读] Explainable Restricted Boltzmann Machines for Collaborative Filtering

Behnoush Abdollahi, Olfa Nasraoui|arXiv (Cornell University)|Jun 22, 2016

Generative Adversarial Networks and Image Synthesis参考文献 9被引用 26

一句话总结

本文提出了一种可解释受限玻尔兹曼机（E-RBM）用于协同过滤，将评分预测与可解释性整合到单一学习目标中。通过将基于用户邻居的可解释性评分作为额外的可见层引入，该模型在不依赖外部数据的情况下生成准确且可解释的推荐，其在准确性和可解释性指标上均优于基线方法。

ABSTRACT

Most accurate recommender systems are black-box models, hiding the reasoning behind their recommendations. Yet explanations have been shown to increase the user's trust in the system in addition to providing other benefits such as scrutability, meaning the ability to verify the validity of recommendations. This gap between accuracy and transparency or explainability has generated an interest in automated explanation generation methods. Restricted Boltzmann Machines (RBM) are accurate models for CF that also lack interpretability. In this paper, we focus on RBM based collaborative filtering recommendations, and further assume the absence of any additional data source, such as item content or user attributes. We thus propose a new Explainable RBM technique that computes the top-n recommendation list from items that are explainable. Experimental results show that our method is effective in generating accurate and explainable recommendations.

研究动机与目标

• 解决基于模型的协同过滤系统中预测准确性与可解释性之间的权衡问题。
• 开发一种仅使用用户-项目评分数据、不依赖项目内容或用户属性的可解释推荐方法。
• 将可解释性直接整合到RBM的学习过程中，确保推荐项目既准确又具有可解释性。
• 通过在评分空间中建立项目可解释性与用户相似性的关联，实现透明且可信的推荐。

提出的方法

• 该方法提出一种条件RBＭ，增加一个表示可解释性评分的额外可见层'm'，该评分基于用户邻居相似性计算得出。
• 可解释性评分通过计算评分较高的相似用户（≥ 阈值）所占比例获得，使用用户评分向量之间的余弦相似度计算。
• 联合概率分布通过隐藏单元、可见单元和可解释性单元的条件概率进行建模，激活函数采用逻辑斯蒂函数。
• 通过对比散度（CD）进行学习，利用梯度更新同时优化评分预测（通过W）和可解释性（通过D）。
• 该模型联合优化准确的评分预测与高可解释性，确保推荐项目既预测准确，又能通过邻居行为进行合理解释。
• 解释以用户友好的格式生成：'在Y个相似用户中，有X人对该项目评分较高'。

实验结果

研究问题

• RQ1 我们能否设计一种基于RBMs的协同过滤模型，在仅使用评分数据的前提下，实现准确推荐并确保其可解释性？
• RQ2 如何在不依赖外部数据源的情况下，将可解释性定量地整合到RBMs的训练过程中？
• RQ3 将可解释性整合到RBMs的学习目标中，是否能相比基线方法同时提升推荐准确性和可解释性？
• RQ4 仅从评分模式中能否有效生成基于用户邻居的解释，而无需依赖项目特征或用户人口统计信息？

主要发现

• 当隐藏单元数f > 20时，可解释RBMs（E-RBM）在RMSE指标上优于标准RBMs及其他基线方法。
• 当f < 20时，E-RBM在nDCG@10指标上优于其他方法，表明其在Top-n推荐性能方面表现更优。
• 模型显著提升了平均可解释性精确率（MEP）与平均可解释性召回率（MER），证明了推荐项目的可解释性得到增强。
• 对于测试用户，其前3项推荐均附有有效的、基于用户邻居的解释，例如：'在10个相似用户中，有8人对该电影评分4分或以上'。
• 该方法成功将可解释性整合到RBMs框架中，无需外部数据，同时保持了高预测准确性。