【笔记】可解释推荐系统：身怀绝技，一招击中用户心理

案例来源：微软亚洲研究院

案例地址：https://zhuanlan.zhihu.com/p/29374802

（以下为案例的简要概述，便于之后能快速检索到相关内容。部分文字与图片可能直接来自原文，如有侵权请告知，谢谢）

1. 背景：传统推荐系统的重心是提高推荐准确率，可解释推荐系统的重心是提高用户对推荐系统的接受程度、增加转化率和满意程度。

2. 可解释推荐系统的分类

1）以物品为媒介：“这个推荐物品和您喜欢的其它物品类似”，常见于亚马逊、netflix的推荐。缺陷用户可能有时难以找到物品与当前物品的关联，另外用户也可能想要新颖的推荐

2）以用户为媒介：“跟您相似的用户都喜欢该物品”，常用于社交网络推荐。研究发现，使用“好朋友”作为推荐理由效果较好，如果只是随机选择一个朋友，说服力反而低。

3）以特征为媒介：“您可能喜欢推荐物品的这个特征”

4）结构化概览式推荐：将推荐物品有组织的、可视化的推荐给用户

5）对话式推荐：在与用户对话时进行推荐，有较高的接受度，也可以很好地解决冷启动问题。【思考：pinterest的关联搜索推荐是否属于对话式推荐？】

3. 推荐解释生成方法：Explict Factor Model（EFM）

1）利用词级别的情感分析，找到用户评论中提到物品的特征和情感倾向

2）构建用户-特征矩阵和物品特征矩阵

3）生成推荐解释

4. 可解释推荐的挑战

1）解释深度神经网络的推荐结果

2）利用知识图谱打通不同媒介之间的关联：这里的媒介指的是人、物品和特征，打通媒介即选择最合适的媒介为用户生成推荐理由

3）结合生成模型进行对话式推荐