[论文解读] Interpretable recommendations via overlapping co-clusters.

Reinhard Heckel, Michail Vlachos|arXiv (Cornell University)|Apr 7, 2016

Recommender Systems and Techniques参考文献 46被引用 4

一句话总结

本文提出了一种基于客户-产品购买历史通过矩阵分解获得的重叠共聚类的可解释推荐系统。通过识别共享共聚类中的客户和产品，该方法在保持高准确率的同时，超越或匹配了标准技术，同时提供文本和视觉可解释的推荐，且对大规模数据集具有线性可扩展性。

ABSTRACT

There is an increasing need to provide not only accurate but also interpretable recommendations, in order to enhance transparency and trust in the recommendation process. This is particularly important in a business-to-business setting, where recommendations are generated for experienced sales staff and not directly for the end-client. In this paper, we consider the problem of generating interpretable recommendations based on the purchase history of clients, or more general, based on positive or one-class ratings only. We present an algorithm that generates recommendations by identifying overlapping co-clusters consisting of clients and products. Our algorithm uses matrix factorization techniques to identify co-clusters, and recommends a client-product pair because of its membership in one or more client-product co-clusters. The algorithm exhibits linear complexity in the number of co-clusters and input examples, and can therefore be applied to very large datasets. We show, both on a real client-product dataset from our institution, as well as on publicly available datasets, that the recommendation accuracy of our algorithm is better than or equivalent to standard interpretable and non-interpretable recommendation techniques, such as standard one-class nearest neighbor and matrix factorization techniques. Most importantly, our approach is capable of offering textually and visually interpretable recommendations.

研究动机与目标

• 为解决在企业对企业（B2B）环境中，由销售人员而非终端客户接收推荐的日益增长的可解释性需求。
• 开发一种在仅具有正样本或单类评分的情况下仍能有效运行的推荐算法，以反映现实世界中的客户购买数据。
• 通过基于聚类的推理确保推荐既准确又可解释，从而增强信任与透明度。
• 通过在共聚类数量和输入样本数量上实现线性复杂度，实现对大规模数据集的高效扩展。

提出的方法

• 该算法使用矩阵分解，从单类或正样本评分中识别客户与产品的重叠共聚类。
• 每个客户-产品对的推荐基于其在一个或多个共聚类中的成员身份，从而实现多维度推理以增强可解释性。
• 共聚类结构支持文本和视觉解释，因为聚类可被描述并以相关客户与产品群组的形式呈现。
• 该方法在共聚类数量和输入样本数量上实现了线性时间复杂度，使其能够高效扩展至大规模数据集。
• 该方法将聚类成员得分整合到推荐评分函数中，平衡聚类凝聚度与预测准确性。
• 该算法设计用于处理现实世界客户-产品交互日志中常见的稀疏单类数据，无需负样本反馈。

实验结果

研究问题

• RQ1 从矩阵分解中提取的重叠共聚类是否能在单类设置下提升推荐准确率，同时保持可解释性？
• RQ2 与标准的可解释和不可解释推荐技术（如单类最近邻和矩阵分解）相比，所提方法在准确率上表现如何？
• RQ3 共聚类结构在多大程度上支持对推荐的文本和视觉解释？
• RQ4 由于其线性复杂度，该算法是否能有效扩展至大规模客户-产品数据集？

主要发现

• 所提算法在真实数据集和公开数据集上，推荐准确率均优于或等同于标准的单类最近邻和矩阵分解技术。
• 该方法通过聚类成员身份成功生成可解释的推荐，支持对为何向某客户推荐某产品进行文本和视觉解释。
• 该算法具有高效可扩展性，其在共聚类数量和输入样本数量上呈线性复杂度，适用于大规模部署。
• 使用重叠共聚类使得推荐比非重叠聚类模型更具细微性，因为项目可同时属于多个有意义的群体。
• 该方法即使仅使用正样本评分也保持高性能，证明了在无负样本反馈的真实数据场景下的鲁棒性。
• 通过将聚类描述为有意义的客户与产品群组，显著增强了推荐的可解释性，从而提升了B2B环境中专家用户对推荐的信任度。