[论文解读] Knowledge-aware Autoencoders for Explainable Recommender Sytems

Vito Bellini, Angelo Schiavone+3 more|arXiv (Cornell University)|Jul 17, 2018

Recommender Systems and Techniques参考文献 23被引用 8

一句话总结

本文提出了一种知识感知自编码器（SemAuto），利用DBpedia的结构化知识图谱生成基于内容且可解释的推荐。通过在自编码器的隐藏层中编码用户偏好，并结合知识图谱中的事实性与类别属性，该模型生成个性化、透明的解释，显著提升了用户的满意度、信任度和说服力——尤其在使用基于成对比较的解释风格并辅以事实信息时效果更佳。

ABSTRACT

Recommender Systems have been widely used to help users in finding what they are looking for thus tackling the information overload problem. After several years of research and industrial findings looking after better algorithms to improve accuracy and diversity metrics, explanation services for recommendation are gaining momentum as a tool to provide a human-understandable feedback to results computed, in most of the cases, by black-box machine learning techniques. As a matter of fact, explanations may guarantee users satisfaction, trust, and loyalty in a system. In this paper, we evaluate how different information encoded in a Knowledge Graph are perceived by users when they are adopted to show them an explanation. More precisely, we compare how the use of categorical information, factual one or a mixture of them both in building explanations, affect explanatory criteria for a recommender system. Experimental results are validated through an A/B testing platform which uses a recommendation engine based on a Semantics-Aware Autoencoder to build users profiles which are in turn exploited to compute recommendation lists and to provide an explanation.

研究动机与目标

• 通过提供人类可理解的、基于内容的解释，提升推荐系统中用户的信任度与满意度。
• 探究不同类型的知识图谱（KG）信息——类别型与事实型——对解释效果的影响。
• 评估成对解释（对比两个项目）是否在用户感知中优于点对点解释（描述单一项目）。
• 验证SemAuto模型所学习的用户画像在多大程度上能代表真实用户偏好。
• 探讨知识图谱语义在提升推荐透明度与说服力方面的作用。

提出的方法

• 使用用户评分与DBpedia的知识图谱结构训练语义感知自编码器（SemAuto），其网络架构与知识图谱的连接关系相匹配。
• 用户画像由自编码器隐藏层学习到的权重推导得出，编码了语义与事实性偏好。
• 通过DBpedia中的类别属性（如电影类型）与事实属性（如导演、演员）生成解释。
• 实现两种解释风格：点对点解释（描述单一项目）与成对解释（基于用户画像中特征重要性对比两个项目）。
• 通过包含892名志愿者的A/B测试平台，评估用户在满意度、信任度与说服力等指标上的感知表现。
• 该模型整合知识图谱嵌入与用户交互数据，在非冷启动场景下生成可解释且准确的推荐。

实验结果

研究问题

• RQ1 RQ1：SemAuto自编码器隐藏层中编码的信息是否可被视为用户偏好的代表性体现？
• RQ2 RQ2：与点对点解释相比，成对解释在提升用户满意度、信任度与透明度方面是否更有效？
• RQ3 RQ3：不同类型的知识图谱信息（类别型 vs. 事实型）如何影响解释质量的感知？

主要发现

• 成对解释风格在说服力与透明度方面显著优于点对点方法，因为用户能更清楚地理解自身偏好如何影响推荐排序。
• 事实属性（如演员、导演）相比仅使用类别属性，能带来更高的用户满意度、信任度与解释有效性。
• 在解释中同时使用事实与类别属性，在所有指标上均达到最佳性能，尽管仅使用事实数据的表现也几乎相当。
• SemAuto自编码器的隐藏层有效编码了用户偏好，表现为用户在阅读解释后评分变化极小——表明其具有高度的代表性。
• 该模型的解释显著增强了系统的透明度，当同时使用语义与事实属性时，透明度达到最高值。
• 结果表明，用户更易接受事实性信息，可能因其具体且可验证，因此比抽象类别更具说服力。