推荐系统的研究问题可分成5W,可解释性推荐主要是回答why这个问题。
- when time-aware recommendation
- what application-aware recommendation
- who social recommendation
- where location-based recommendation
- why explainable recommendation
摘要
可解释性推荐是在给用户提供推荐的同时,也给用户解释为什么的一种个性化推荐方法,能够帮助提升推荐系统的效果、效率、说服性以及用户满意度。这篇文章主要综述了2018年以前的可解释性推荐的相关工作,本文的贡献如下(1)按照时间的顺序,对可解释性推荐研究进行综述,从早期的用户学习方法,到近期的基于model的方法。(2)将可解释性推荐方法进行了归类,包括user-based, item-based, model-based, 以及post-model explanations。(3)总结了可解释性推荐在不同领域的应用,包括product recommendation, social recommendation, POI recommendation等。(4)从广义的IR和机器学习角度分析可解释性推荐以及他们之间的联系。(5)最后提出了未来可探索的研究方向。
Section 1. Introduction
1.1 Historical review
尽管可解释推荐是由zhang等在2014年正式提出的,但是早期已有不少研究者在研究中已经对其有所涉及。例如, Schafer 等[1999] 提出推荐系统在给用户推荐时,会考虑该产品与用户过去喜欢的某些产品相似。Herlocker 等[2000] 通过对用户的问卷调查来解释MovieLens中协同过滤算法。
较早期的可解释性推荐的研究大都是基于content-based recommendation或者 collaborative-filtering (CF)。在Content-based 方法主要思想是把用户和被推荐项建模成一些可用的信息属性,例如电商中的价格、颜色、商品品牌或是电影中的流派、导演、时长等(Balabanović and Shoham [1997], Pazzani and Billsus [2007])。一般来说,在content-based方法中被推荐项的内容特征更容易理解,即对于用户而言,为什么该项目从众多候选中被推荐出来。直观来讲,就是告知用户被推荐项的那些特定特征是他所感兴趣的。
但是,收集这样的内容信息是非常耗时耗力的,因此,Collaborative filtering (CF) based 方法则是期望通