树增强嵌入模型用于可解释的推荐 TEM: Tree-enhanced Embedding Model for Explainable Recommendation

摘要：

虽然协同过滤是个性化推荐的主流技术，但它只对用户-项目交互进行建模，不能为推荐提供具体的理由。与此同时，与用户-项目交互相关的丰富的侧信息(例如，用户统计数据和项目属性)提供了有价值的证据，说明为什么推荐适合于用户，但在提供解释方面还没有得到充分的探索。

在技术方面，基于嵌入的方法，例如广泛和深入的神经因子分解机，提供最先进的推荐性能。然而，它们的工作原理就像一个黑匣子，预测背后的原因无法明确地呈现出来。另一方面，决策树等基于树的方法通过从数据中推断决策规则来进行预测。虽然可以解释，但它们不能推广到不可见的特性交互，因此在协作过滤应用程序中会失败。在这项工作中，我们提出了一个新的解决方案，称为树增强嵌入方法结合了基于嵌入和基于树的模型的优点。我们首先使用一个基于树的模型来学习明确的决策规则（交叉特征)来自丰富的侧面信息。接下来，我们设计了一个嵌入模型，该模型可以包含显式交叉特征，并推广到用户ID和项目ID上不可见的交叉特征。嵌入方法的核心是一个易于解释的注意力网络，使得推荐过程完全透明和可解释。我们对旅游景点和餐厅推荐两个数据集进行了实验，证明了我们的解决方案的优越性能和可解释性。

相关工作：

我们大致可以将解释风格分为基于相似性和基于内容的类别。基于相似性的方法以最相似的用户或项目列表的形式给出解释。例如，Behnoush等人的使用限制玻尔兹曼机来计算top-K推荐列表中项目的可解释性得分。虽然基于相似性的解释可以作为解释CF推荐的通用解决方案，但缺点是它缺乏具体的推理。基于内容的作品考虑了各种侧面信息，从项目标签[38,40]、社会关系[31,37]、用户的上下文评论[13,15,28,31,48]到知识图谱，

结论：</