[论文解读] The FacT: Taming Latent Factor Models for Explainability with Factorization Trees

Yiyi Tao, Yiling Jia+2 more|arXiv (Cornell University)|Jun 3, 2019

Recommender Systems and Techniques参考文献 39被引用 10

一句话总结

FacT 模型将回归树与潜在因子模型相结合，通过基于评论情感的规则决策路径学习用户和物品偏好，实现可解释的推荐。通过沿树状结构路径优化潜在因子，该模型在保持高推荐准确率的同时，提供忠实且可解释的说明，这些说明基于特征级别的意见，相较于基线模型在离线评估和用户研究中均表现更优。

ABSTRACT

Latent factor models have achieved great success in personalized recommendations, but they are also notoriously difficult to explain. In this work, we integrate regression trees to guide the learning of latent factor models for recommendation, and use the learnt tree structure to explain the resulting latent factors. Specifically, we build regression trees on users and items respectively with user-generated reviews, and associate a latent profile to each node on the trees to represent users and items. With the growth of regression tree, the latent factors are gradually refined under the regularization imposed by the tree structure. As a result, we are able to track the creation of latent profiles by looking into the path of each factor on regression trees, which thus serves as an explanation for the resulting recommendations. Extensive experiments on two large collections of Amazon and Yelp reviews demonstrate the advantage of our model over several competitive baseline algorithms. Besides, our extensive user study also confirms the practical value of explainable recommendations generated by our model.

研究动机与目标

• 为解决潜在因子模型中推荐质量与解释保真度之间长期存在的权衡问题。
• 开发一种方法，生成基于规则、人类可理解的潜在因子推荐解释，同时不牺牲性能。
• 通过基于用户生成评论构建的回归树，对用户和物品偏好进行结构化，以提升可解释性。
• 通过基于特征级别的规则引导的交互式访谈，实现有效的冷启动推荐。
• 通过离线实验和用户研究验证模型的优越性，比较解释质量与推荐满意度。

提出的方法

• 使用情感标注的评论，为用户和物品分别构建回归树，其中每个节点代表一个基于特征级别意见的决策规则。
• 为用户和物品树中的每个节点关联一个潜在因子配置，随着树的生长，通过分层聚合相似的用户/物品对潜在因子进行优化。
• 在推荐损失下联合学习潜在因子和树结构，确保最终的潜在因子与规则路径保持一致。
• 利用用户和物品树中从根节点到叶节点的路径，追溯每条推荐背后的推理过程，通过决策规则实现解释。
• 对于冷启动用户，采用交互式访谈流程，用户回答与特征相关的问题，引导其通过用户树生成个性化的潜在因子。
• 通过交错式用户研究，将FacT与FMF（一种使用物品级规则的基线模型）进行比较，评估用户在推荐偏好、解释质量以及决策信心方面的表现。

实验结果

研究问题

• RQ1 结合回归树与潜在因子学习的混合模型，是否能同时实现高推荐准确率和忠实、可解释的说明？
• RQ2 在解释推荐时，使用特征级别意见的规则解释与使用物品级别比较的规则解释相比，其保真度如何？
• RQ3 用户在理解程度和决策信心方面，对基于特征的规则生成的解释与基于物品的规则生成的解释，偏好程度如何？
• RQ4 所提出的模型是否能通过基于规则的决策树引导的交互式访谈流程，有效处理冷启动用户？
• RQ5 将情感分析与树状结构规则结合，是否能提升推荐的透明度和感知质量，相较于现有基线模型？

主要发现

• 在 Amazon 和 Yelp 数据集上的离线推荐性能测试中，FacT 显著优于多个竞争性基线模型，展现出更高的准确率和更强的鲁棒性。
• 在用户研究中，FacT 在 63% 的情况下被用户更满意于推荐结果（Q1），在 64% 的情况下更认可解释质量（Q2），在 71% 的情况下更有利于知情决策（Q3），所有差异均具有统计显著性（p < 0.05）。
• 使用特征级别的规则生成的解释比物品级别的规则更透明且更受用户青睐，因为用户认为其更具粒度和可操作性，有助于理解推荐逻辑。
• 该模型通过基于特征特定问题的交互式访谈流程，成功解决了冷启动问题，生成了个性化的潜在因子和解释。
• 用户和物品树中从根节点到叶节点的路径，清晰地展示了每条推荐的生成逻辑，显著增强了系统的透明度。
• 潜在因子与树结构的联合优化确保了解释并非近似值，而是推荐机制的内在组成部分，从而保证了解释的高保真度。