推薦系統(tǒng)的推薦解釋研究

王春才，邢暉，李英韜

（1.長春理工大學(xué)計算機(jī)科學(xué)技術(shù)學(xué)院，長春　130022；2.長春市萬易科技有限公司工程研究中心，長春　130000）

推薦系統(tǒng)的推薦解釋研究

王春才1，邢暉1，李英韜2

（1.長春理工大學(xué)計算機(jī)科學(xué)技術(shù)學(xué)院，長春130022；2.長春市萬易科技有限公司工程研究中心，長春130000）

0　引言

推薦系統(tǒng)可以幫助用戶在海量的數(shù)據(jù)中找到其所感興趣的信息。推薦結(jié)果的好壞除了可以對其準(zhǔn)確度等指標(biāo)進(jìn)行評測外，系統(tǒng)對于推薦結(jié)果的解釋也逐漸成為提高用戶體驗的重要方法之一[1]。不同的推薦解釋會帶給用戶不一樣的感受，直接影響到用戶對推薦系統(tǒng)的滿意程度和對推薦結(jié)果的信任程度。目前推薦解釋問題已成為推薦系統(tǒng)研究領(lǐng)域的熱點之一。

1　推薦解釋的類型

通常情況下，推薦結(jié)果的計算與推薦解釋的風(fēng)格并無關(guān)系。推薦解釋的主要目的是提高用戶對推薦系統(tǒng)的置信度，為此往往需要提升推薦系統(tǒng)的透明度。讓用戶了解推薦系統(tǒng)的運行機(jī)制，才可以提高用戶對推薦系統(tǒng)的信任程度。表1展示了目前常用的推薦解釋類型與示例。

下面將逐一介紹各推薦解釋方法。

（1）基于協(xié)同的推薦解釋

當(dāng)用戶u對物品i進(jìn)行評分后，評分?jǐn)?shù)據(jù)便作為推薦系統(tǒng)的輸入，用來識別對物品i評分與用戶u的評分相似的用戶集合[2]。集合中這些與u相似的用戶通常被成為鄰居。通過計算鄰居間的相似度，由此，對推薦物品的預(yù)估便推廣為對物品i的評分。

在實際應(yīng)用中，最著名的當(dāng)屬亞馬遜的“買過本商品的還買了……”。這個解釋的前提場景是用戶正在瀏覽其所感興趣的某一商品，通過找到與該用戶相似的用戶集合，分析這些用戶所感興趣的其他商品，并將這些用戶所感興趣的其他商品為該用戶進(jìn)行展示。

表1　常用的推薦解釋與示例

（2）基于內(nèi)容的推薦解釋

基于內(nèi)容的推薦解釋與基于協(xié)同的推薦解釋不同，它并不利用用戶對物品的評分信息，而是利用物品的內(nèi)容屬性來計算物品間的相似度。例如在電影網(wǎng)站中，基于內(nèi)容的推薦結(jié)果的解釋可以是根據(jù)用戶所提供的最喜愛的演員得到。

通過對物品進(jìn)行特征的標(biāo)注，得到物品的標(biāo)簽或特征向量，便有充足的物品內(nèi)容信息得以進(jìn)行基于物品內(nèi)容信息的相似度計算，該方法既可以很好地解決物品冷啟動的問題，又可以提供置信度較高的基于內(nèi)容的推薦解釋。

在業(yè)界中，個性化電臺Pandora的推薦方法便是通過對音樂進(jìn)行標(biāo)記，利用音樂的特征向量來計算音樂間的相似度，并提供用戶基于內(nèi)容的推薦解釋。

（3）基于案例的推薦解釋

基于案例的推薦解釋為用戶提供最能夠匹配其查詢的產(chǎn)品。產(chǎn)品數(shù)據(jù)庫中的每一項對應(yīng)一個實例。通常用戶的查詢會對物品的屬性進(jìn)行限制，如只對價格低于某個價位的數(shù)碼相機(jī)感興趣[3]。假設(shè)實例（產(chǎn)品）描述屬性集A與用戶查詢Q相關(guān)的子集AQ，則實例C和Q的相似度一般定義為：

其中，函數(shù)sima（C，Q）表示查詢Q和實例C在屬性a上面的相似度，該相似度的加權(quán)系數(shù)為wa，表示這個屬性對用戶的重要性。

而推薦結(jié)果的集合由所有與查詢Q最為相似的實例C組成。通常該推薦結(jié)果的集合會直接展示給用戶，然后用戶可能會想要知道為什么會推薦這個產(chǎn)品，或者為什么還需要繼續(xù)進(jìn)行會話以提取需求。基于實例的推薦解釋對于這個問題的經(jīng)典解決辦法是，將用戶的需求與給出的實例進(jìn)行比較，并強(qiáng)調(diào)哪些約束條件得到滿足，哪些沒有。

仍以低于某個價位的數(shù)碼相機(jī)為例。當(dāng)用戶提出推薦原因的疑問時，解釋可以是：某數(shù)碼相機(jī)的價格滿足了用戶的限制條件，因此被推薦。

（4）基于知識和自然語言的推薦解釋

基于知識和自然語言的推薦解釋認(rèn)為推薦引擎的輸入是用戶u的需求或者有關(guān)其興趣的信息，并根據(jù)物品i與用戶u的需求之間的匹配程度進(jìn)行推薦。通常基于知識和自然語言的推薦系統(tǒng)會優(yōu)先考慮利用物品的內(nèi)容信息，即屬性，作為其推薦的解釋[4]。如以數(shù)碼相機(jī)為例，推薦的解釋可以為：“更高的內(nèi)存，更高的像素，更低的價格。”

（5）基于人口統(tǒng)計的推薦解釋

基于人口統(tǒng)計的推薦解釋以用戶u的人口統(tǒng)計信息為輸入信息，根據(jù)該信息，推薦算法會識別在人口分布上與u相似的用戶集合，為用戶u推薦的物品i的預(yù)測評分值源于相似用戶集合對i的評分，以及這些用戶與u的相似度。

基于人口統(tǒng)計的推薦解釋的示例可以為：“為您推薦這款產(chǎn)品，因為您是一位20~30歲的女性。”但在實際情況中，由于人口統(tǒng)計信息的敏感性，很多推薦系統(tǒng)并不以此信息作為推薦結(jié)果的解釋。

2　推薦解釋的目的

推薦系統(tǒng)為什么需要給出解釋，問題的答案與兩方面有關(guān)：推薦的提供者與接受者。以電子商務(wù)網(wǎng)站為例，賣家關(guān)心的是推薦系統(tǒng)是否可以為其產(chǎn)品進(jìn)行有效的宣傳，而買家則關(guān)心的是推薦系統(tǒng)所給出的推薦結(jié)果是否可以為自己做出更好的購物決策。推薦解釋的重要作用，就是幫助賣家與買家分別提高各自的收益和效率[5]。因為二者構(gòu)思推薦解釋的意圖不同，如賣家需要提供讓買家更為確信的解釋來提高效益，而買家則想要尋找價格更低的商品，并為該決策找到合適的解釋和理由。盡管對解釋的理解不同，但解釋是在二者溝通過程中必不可少的交流信息。一般推薦的過程中提供解釋的主要目的有如下幾種：

（1）透明性。合理的解釋能夠讓推薦更加透明，為用戶提供準(zhǔn)確的信息，以幫助其理解推薦產(chǎn)生的推理過程。推薦解釋還能夠說明為什么一個物品比另一個物品更加受歡迎。例如，用戶可能會奇怪為什么電影推薦系統(tǒng)會推薦給自己西部片，而事實上用戶對此并不感興趣。透明的推薦解釋可能會對此推薦做出合理的說明，因為用戶購買了鄉(xiāng)村音樂的唱片，該信息被用于向用戶推薦西部電影，由此用戶便可以明晰推薦產(chǎn)生的過程，并有了更改錯誤推薦的機(jī)會。

（2）正確性。推薦解釋可以用于允許用戶檢查推薦結(jié)果的正確性。正確的推薦結(jié)果可以幫助用戶做出更為正確的消費決策。通過比較推薦結(jié)果與用戶自身的實際需求，用戶可以更有效地確認(rèn)推薦的質(zhì)量。

（3）可信度。解釋的目的就是在推薦中構(gòu)建信任度，從而減少用戶對推薦質(zhì)量的不確定性。構(gòu)建信任感可以被看作是一種在不確定環(huán)境下減少人工決策復(fù)雜度的方法。

（4）說服力。在推薦系統(tǒng)中，說服性的推薦解釋的目的就是要改變用戶的購買行為。比如，推薦系統(tǒng)可能有意識地只強(qiáng)調(diào)產(chǎn)品的正面信息，而對于負(fù)面信息只字不提。

（5）有效性。有效性在推薦系統(tǒng)中是指如何支持用戶做出高質(zhì)量的決策。能夠提高有效性的解釋通常都能夠幫助用戶發(fā)現(xiàn)自己特有的偏好。有效的推薦解釋可以幫助用戶做出更好的選擇。

（6）效率。效率是指推薦系統(tǒng)能夠在多大程度上幫助用戶減少決策的代價。因此，以提高效率為目的的推薦解釋通常是試圖減少用戶在決策過程中所需要的時間。然而，效率也可以從用戶所感知的認(rèn)知代價進(jìn)行衡量，這與基于推薦和選擇產(chǎn)品上所用時間的效率含義有所不同。

（7）滿意度。良好的推薦解釋可以提高用戶對推薦系統(tǒng)的滿意度，由此增加用戶的購買量與回頭率。

（8）可理解性。推薦系統(tǒng)或許永遠(yuǎn)難以了解用戶掌握多少知識，將用戶已知的概念和推薦系統(tǒng)所用到的概念貫通起來，可以幫助用戶更好地理解推薦解釋。

（9）教育。好的推薦解釋可以培養(yǎng)用戶更好地理解產(chǎn)品的領(lǐng)域知識。用戶對該產(chǎn)品的領(lǐng)域知識越深，通過重新思考與評估，就能夠做出更為明智的決策。

雖然推薦解釋的目的各不相同，但它們彼此之間互相關(guān)聯(lián)，例如提高推薦的解釋度可能會對可信度有正面效果。相反，有說服力的推薦解釋很可能在可信度上會造成一定損失。因此，設(shè)計推薦解釋需要明確解釋的目的，并在實際中不斷評估推薦解釋的效果。

3　結(jié)語

本文介紹了多種類型的推薦解釋方法，如基于協(xié)同的推薦解釋、基于內(nèi)容的推薦解釋和基于案例的推薦解釋等。并分析了為推薦結(jié)果進(jìn)行解釋的目的，如透明性、正確性和可信度等。不同的推薦解釋帶給用戶不同的體驗，目前推薦解釋及其所產(chǎn)生的效果已成為一項重要的研究課題。推薦解釋可以幫助用戶做出明智的購買決策，但同時解釋也有被濫用的風(fēng)險，將用戶推向只對賣方有利的方向上去。因此，深入研究推薦解釋及其對用戶產(chǎn)生的效果非常重要。

[1]李斌.推薦系統(tǒng)研究綜述[J].現(xiàn)代計算機(jī)：專業(yè)版,2014.3,3:7-10.

[2]Francesco Ricci,Lior Rokach,Bracha Shapira et al.Recommender Systems Handbook[M].Berlin:Springer,2011:461-462.

[3]McSherry D.Explanation in Recommender Systems[J].Artificial Intelligence Review,2005,24（2）:179-197.

[4]Dietmar Jannach,Markus Zanker,Alexander Felfernig et al.Recommender Systems:An Introduction[M].Cambridge:Cambridge University Press,2010:157-160.

[5]楊淑梅.推薦系統(tǒng)的交互性研究[D].北京:北京郵電大學(xué),2014.

Recommendation System;Recommendation Explanation;Collaborative Filtering;Transparency

Research on Recommendation Explanation in Recommendation Systems

WANG Chun-cai1,XING Hui1,LI Ying-tao2
（1.College of Computer Science and Technology，Changchun University of Science and Technology,Changchun 130022; 2.Engineering Research Center，Changchun Why-e Science and Technology Co.Ltd.,Changchun 130000）

1007-1423（2016）02-0041-04

10.3969/j.issn.1007-1423.2016.02.010

王春才（1974-），男，吉林梅河口人，碩士，正高級工程師，研究方向為數(shù)據(jù)挖掘

邢暉（1990-），男，山西代縣人，碩士，研究方向為數(shù)據(jù)庫系統(tǒng)

李英韜（1972-），男，吉林吉農(nóng)人，碩士，高級工程師，研究方向為智慧城市

2015-12-10

2015-12-30

介紹推薦系統(tǒng)的推薦解釋問題，分析提供推薦解釋的多種方案，如基于協(xié)同的解釋，基于內(nèi)容的解釋，基于知識和自然語言的解釋和基于人口統(tǒng)計的解釋，并闡述提供推薦解釋的目的，如透明性、正確性、可信度等，為解決推薦系統(tǒng)的推薦解釋問題提供一定的參考。

推薦系統(tǒng)；推薦解釋；協(xié)同過濾；透明度

長春市科技計劃項目（No.14JR002）、國家科技支撐計劃項目（No.2013BAH07F00）

Introduces the recommendation explanation in recommendation systems,analyses several ways to provide recommendation explanation, such as collaboration based explanation,content based explanation,knowledge and natural language based explanation and population statistics based explanation,and expounds the purpose of providing recommendation explanation,such as transparency,validity and trustworthiness,which provides reference for solving recommendation explanation in recommendation systems.