[论文解读] Trust in Recommender Systems: A Deep Learning Perspective.

Manqing Dong, Feng Yuan+4 more|arXiv (Cornell University)|Apr 8, 2020

Machine Learning in Healthcare参考文献 26被引用 7

一句话总结

本综述提出了一种基于深度学习的可信推荐系统框架，重点关注三个信任维度：社交关系、对恶意数据的鲁棒性以及可解释性。该综述整合了深度学习的最新进展，通过社交感知建模、噪声过滤和可解释性推荐来增强用户信任。

ABSTRACT

A significant remaining challenge for existing recommender systems is that users may not trust the recommender systems for either lack of explanation or inaccurate recommendation results. Thus, it becomes critical to embrace a trustworthy recommender system. This survey provides a systemic summary of three categories of trust-aware recommender systems: social-aware recommender systems that leverage users' social relationships; robust recommender systems that filter untruthful noises (e.g., spammers and fake information) or enhance attack resistance; explainable recommender systems that provide explanations of recommended items. We focus on the work based on deep learning techniques, an emerging area in the recommendation research.

研究动机与目标

• 为解决用户因缺乏解释或结果不准确而对推荐系统产生不信任的严峻挑战。
• 通过深度学习的视角，系统性地对可信推荐系统进行分类与分析。
• 识别基于深度学习技术的社交感知、鲁棒性和可解释性推荐系统的关键研究方向。
• 全面概述基于深度学习的方法，以增强推荐系统中的信任度。

提出的方法

• 本文综述了将用户社交关系融入以提升推荐准确性和信任度的基于深度学习的模型。
• 研究了旨在检测并过滤虚假数据（如虚假评论和垃圾信息）的深度学习架构，以增强系统鲁棒性。
• 分析了基于神经网络的解释生成技术，为推荐提供人类可理解的解释依据。
• 评估了端到端的深度学习框架，联合优化准确率、鲁棒性和可解释性。
• 比较了用于建模社交关系与交互关系的注意力机制和图神经网络。
• 分析重点聚焦于应用于信任相关推荐任务的架构，如GCNs、transformers和自编码器。

实验结果

研究问题

• RQ1 深度学习模型如何利用社交关系来提升推荐系统中的信任度？
• RQ2 哪些深度学习技术可增强推荐系统对虚假或恶意数据的鲁棒性？
• RQ3 基于深度学习的解释生成方法如何提升用户对推荐结果的理解与信任？
• RQ4 哪些关键架构组件能够实现深度推荐系统中准确率、鲁棒性和可解释性的联合优化？
• RQ5 在社交性、鲁棒性和可解释性维度上，不同深度学习模型在可信度方面如何比较？

主要发现

• 基于深度学习的社交感知模型通过图神经网络整合用户的社交关系，提升了推荐性能。
• 采用深度学习的鲁棒推荐系统能有效过滤垃圾信息和虚假评论，增强对投毒攻击的抵抗能力。
• 基于注意力机制和序列建模的可解释推荐系统能生成更具可解释性且用户易懂的推荐理由。
• 通过深度学习联合建模信任维度，可实现更可靠且透明的推荐结果。
• 在深度学习框架中集成可解释性与鲁棒性，可在不牺牲推荐准确率的前提下增强用户信任。
• 综述识别出一种日益增长的趋势：统一架构同时解决社交影响、数据完整性和解释质量。