[论文解读] Try This Instead: Personalized and Interpretable Substitute Recommendation

Tong Chen, Hongzhi Yin+4 more|arXiv (Cornell University)|May 19, 2020

Recommender Systems and Techniques参考文献 49被引用 9

一句话总结

该论文提出A2CF，一种个性化且可解释的替代推荐模型，通过从用户评论中提取显式的、带有情感极性的属性，以弥合用户偏好与商品属性之间的鸿沟。通过联合学习用户、商品和属性的表征，A2CF实现了个性化替代推荐与直观的属性级解释，相较于现有方法，在真实世界数据集上的推荐质量与可解释性方面均表现更优。

ABSTRACT

As a fundamental yet significant process in personalized recommendation, candidate generation and suggestion effectively help users spot the most suitable items for them. Consequently, identifying substitutable items that are interchangeable opens up new opportunities to refine the quality of generated candidates. When a user is browsing a specific type of product (e.g., a laptop) to buy, the accurate recommendation of substitutes (e.g., better equipped laptops) can offer the user more suitable options to choose from, thus substantially increasing the chance of a successful purchase. However, existing methods merely treat this problem as mining pairwise item relationships without the consideration of users' personal preferences. Moreover, the substitutable relationships are implicitly identified through the learned latent representations of items, leading to uninterpretable recommendation results. In this paper, we propose attribute-aware collaborative filtering (A2CF) to perform substitute recommendation by addressing issues from both personalization and interpretability perspectives. Instead of directly modelling user-item interactions, we extract explicit and polarized item attributes from user reviews with sentiment analysis, whereafter the representations of attributes, users, and items are simultaneously learned. Then, by treating attributes as the bridge between users and items, we can thoroughly model the user-item preferences (i.e., personalization) and item-item relationships (i.e., substitution) for recommendation. In addition, A2CF is capable of generating intuitive interpretations by analyzing which attributes a user currently cares the most and comparing the recommended substitutes with her/his currently browsed items at an attribute level. The recommendation effectiveness and interpretation quality of A2CF are demonstrated via extensive experiments on three real datasets.

研究动机与目标

• 为解决个性化替代推荐中的空白，通过融入超越商品级相似性的用户特定偏好。
• 通过实现属性级解释，克服现有基于潜在因子模型的可解释性不足问题。
• 不通过隐式嵌入建模用户-商品交互，而是通过从评论中提取的显式情感分析属性进行建模。
• 通过比较浏览商品与替代品之间的属性级特征，生成既具上下文个性化又可解释的推荐。

提出的方法

• A2CF使用情感分析从用户评论中提取显式、极化的商品属性（例如，摄像头质量、电池续航），以识别用户偏好。
• 采用共享嵌入空间的协同过滤框架，联合学习用户、商品和属性的低维表征。
• 模型使用三元组损失函数优化用户偏好建模，确保用户被推荐在他们关心的维度上属性更优的商品。
• 通过识别在用户表现出强烈偏好的关键属性上优于目标商品的商品，生成替代推荐。
• 通过分析用户关心的前几位属性，并比较浏览商品与推荐替代品在这些属性上的取值，生成解释。
• 该框架支持个性化候选生成与人类可读的解释，通过突出显示属性级差异实现。

实验结果

研究问题

• RQ1 与基于潜在因子的方法相比，从评论中显式建模属性是否能提升替代推荐的个性化程度？
• RQ2 如何通过识别用户特定的属性偏好并比较商品间的属性值，使替代推荐更具可解释性？
• RQ3 从评论中引入情感极性属性在多大程度上提升了推荐性能与解释质量？
• RQ4 模型能否生成既准确又与用户意图对齐的解释，其衡量标准为用户偏好对齐度？
• RQ5 在推荐有效性与可解释性指标方面，A2CF相较于最先进模型表现如何？

主要发现

• 与基线模型（包括矩阵分解和基于神经网络的方法）相比，A2CF在三个真实世界数据集上的标准推荐指标（如NDCG、Recall）上均表现出更优性能。
• 通过用户研究与定性分析验证，该模型显著提升了可解释性，生成的属性级解释与用户偏好高度一致。
• A2CF在推荐准确率与解释质量方面均优于CLVA及其他基于潜在因子的模型，证明了显式属性建模的优势。
• 消融实验确认，情感极性属性提取对性能提升贡献最大，尤其在个性化方面。
• 用户认为该模型的解释更具直观性与可信度，因其突出了浏览商品与推荐替代品之间具体、可量化的属性差异。