[论文解读] Layer-wise Relevance Propagation for Explainable Recommendations
本文提出了一种端到端的深度学习框架，将逐层相关性传播（LRP）整合到基于深度卷积神经网络（DCNN）的推荐系统中，以生成图像推荐的像素级解释。通过将相关性分数从最终预测层反向传播至输入像素，该方法识别出影响推荐结果的视觉显著特征，在亚马逊产品数据集上展示了更高的可解释性与有效的解释生成能力。
In this paper, we tackle the problem of explanations in a deep-learning based model for recommendations by leveraging the technique of layer-wise relevance propagation. We use a Deep Convolutional Neural Network to extract relevant features from the input images before identifying similarity between the images in feature space. Relationships between the images are identified by the model and layer-wise relevance propagation is used to infer pixel-level details of the images that may have significantly informed the model's choice. We evaluate our method on an Amazon products dataset and demonstrate the efficacy of our approach.
研究动机与目标
- 为解决基于深度学习的推荐系统在视觉物品推荐中的可解释性不足问题。
- 利用逐层相关性传播（LRP）生成用户特定的、像素级别的推荐解释。
- 将LRP集成到端到端可训练的DCNN框架中，联合学习特征与解释。
- 评估LRP在识别影响推荐决策的显著图像区域方面的有效性。
- 探索利用解释反馈改进模型训练与预测准确性的潜力。
提出的方法
- 使用基于VGG-16的DCNN端到端训练，从产品图像中提取K维特征向量，不使用预训练权重。
- 通过个性化距离度量 $ d_u(\mathbf{x}_i, \mathbf{x}_j) = (\mathbf{x}_i - \mathbf{x}_j)\mathbf{M}^{(u)}(\mathbf{x}_i - \mathbf{x}_j)^T $ 计算特征向量之间的相似性，其中 $ \mathbf{M}^{(u)} $ 针对每个用户进行定制。
- 使用距离的偏移S型函数建模关系概率 $ P_u(r_{ij} \in R) $：$ \frac{1}{1 + e^{d_u(\mathbf{x}_i, \mathbf{x}_j) - q}} $，其中 $ q $ 在训练过程中进行调优。
- 应用逐层相关性传播，将最终预测分数反向传播通过网络，为输入像素分配相关性分数。
- 通过热力图可视化解释，突出显示在推荐决策中最具影响力的像素。
- 提出一种未来训练循环，利用LRP提取的相关像素重加权卷积层，实现元学习以提升特征提取能力。
实验结果
研究问题
- RQ1逐层相关性传播能否有效识别图像推荐中最具影响力的像素？
- RQ2将LRP整合到端到端DCNN中，如何提升推荐决策的可解释性？
- RQ3生成的解释在多大程度上与人类对相关视觉特征的感知一致？
- RQ4能否利用LRP提取的相关性反馈来优化模型的特征学习过程并提升预测准确率？
- RQ5距离度量的个性化对解释的质量与相关性有何影响？
主要发现
- 该方法成功识别出与推荐决策最相关的图像显著像素，经基于扰动的解释评估验证。
- 通过LRP生成的解释能有效突出显示产品类型、颜色和形状等视觉特征，与推荐商品一致。
- LRP生成的热力图显示，当推荐互补商品时，模型聚焦于语义上有意义的区域，如高尔夫手套的面部或衬衫上的标志。
- 该方法表明LRP可有效应用于推荐任务，生成直观且视觉可解释的解释。
- 初步结果表明，将解释反馈整合到训练中可提升模型鲁棒性，但需进一步验证。
- 该模型在亚马逊产品数据集上表现具有竞争力，通过扰动分析确认解释质量：当相关像素被遮蔽时，准确率显著下降。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。