[论文解读] 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 37

一句话总结

本文提出一个分层序列到序列模型，结合自去噪机制，用于生成自由文本、个性化的推荐解释，同时保持或提升预测准确性。

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.

研究动机与目标

• 推动个性化文本解释的需求，以提升推荐系统的透明度、说服力和信任度。
• 通过实现自由文本解释生成来解决基于模板和基于检索的解释的局限性。
• 开发一个能够去噪嘈杂的评论数据并为特定用户和项目定制解释的模型。
• 在多任务框架中联合学习评分预测和解释生成，以利用共享表征。

提出的方法

• 引入一个基于分层 GRU 的生成器，由 context GRU 和 sentence GRU 组成，以产生多句解释。
• 在从评论中提取的产品特征词上融入一个面向特征的注意力机制，以个性化解释。
• 通过基于每句中特征词比例的监督因子对句子损失进行加权，应用自去噪机制。
• 使用带用户和项目嵌入的词级 GRU 生成解释，并以上下文派生状态进行初始化。
• 训练一个多任务目标，将评分回归损失与加权句子生成损失及正则化结合起来。
• 使用传统 NLP 指标（BLEU、ROUGE）和一个特征词覆盖度量来反映可解释性。

实验结果

研究问题

• RQ1 分层生成框架能否在不使用模板或不从现有文本检索的情况下产生个性化的自然语言解释？
• RQ2 将基于特征词的注意力和自去噪融入是否能提高解释的质量以及对用户的有用性？
• RQ3 评分预测与解释生成的联合训练如何影响推荐性能和解释质量？

主要发现

• 该模型使用离线指标 BLEU、ROUGE 和特征覆盖度来评估解释质量，同时评估评分预测性能。
• 自去噪机制有助于让训练更关注具有更高特征词含量的句子，从而提高解释的相关性。
• 面向特征的注意力通过强调每个用户-项目对的相关产品特征来实现个性化。
• 在 Electronics and Beauty 数据集上的实验表明，该方法在利用评论数据的同时生成解释的可行性。