引用本文

郑建兴, 李沁文, 王素格, 李德玉. 融合属性偏好和多阶交互信息的可解释评分预测研究. 自动化学报, 2024, 50(11): 2231−2244 doi: 10.16383/j.aas.c210457

Zheng Jian-Xing, Li Qin-Wen, Wang Su-Ge, Li De-Yu. Research on explainable rating prediction by fusing attribute preference and multi-order interaction information. Acta Automatica Sinica, 2024, 50(11): 2231−2244 doi: 10.16383/j.aas.c210457

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210457

关键词

属性偏好，多阶交互信息，注意力机制，可解释推荐 

摘要

已有推荐系统主要基于用户−项目交互矩阵来学习用户和项目的向量表示, 而当交互矩阵稀疏时, 推荐系统的精度较低, 推荐的结果缺乏可解释性. 考虑到用户−项目交互行为中的评分标签信息, 提出了一种融合属性偏好和多阶交互信息的可解释评分预测方法, 并根据属性偏好对推荐结果进行解释. 首先, 基于注意力机制分析了用户和项目属性信息与评分标签的关系, 建模了节点的属性偏好特征表示; 然后, 聚合了用户−项目交互矩阵中节点自身、交互邻居和评分标签信息, 通过图神经网络学习了节点的多阶交互行为特征表示; 最后, 融合了节点的属性偏好特征和交互行为特征, 在异质类型信息空间下学习了用户和项目的语义特征表示, 利用多层感知机实现了评分预测, 并在MovieLens和Douban数据集上验证了方法的有效性. 实验结果表明, 所提方法在平均绝对误差(Mean absolute error, MAE)和均方根误差(Root mean square error, RMSE)指标上有效提高了推荐系统的精度, 缓解了数据稀疏场景下推荐模型性能较低的问题, 提升了推荐结果的可解释性.

文章导读

推荐系统主要通过学习用户的偏好, 为用户提供感兴趣的产品和信息, 在电子商务、社交媒体、搜索引擎、广告营销、个性化推荐中得到了广泛的应用, 成为近年来工业界和学术界的研究热点[1]. 可解释推荐系统一般是指推荐系统通过建模学习用户和项目的表示, 在给出推荐结果的同时, 对推荐结果给出相应的支持论据或推荐理由(即解释)[2]. 可解释推荐可以增强用户对推荐结果的信任度, 帮助用户更好地进行决策, 是电子商务平台提供个性化服务和增强用户信任度的重要技术. 

传统的内容推荐通过挖掘用户感兴趣的物品为用户推荐相似的产品, 基于用户的兴趣标签、行为特征对推荐结果进行解释[3]. 协同过滤推荐假设相似用户具有相似的兴趣, 通过计算相似用户对物品的喜好来预测目标用户的兴趣进行推荐[4]. 协同过滤推荐基于用户的社交关系、相似用户的喜好或者相似物品的特征对推荐结果进行解释. 混合推荐系统则融合多种推荐算法的优点, 应用于工业界的音乐、视频等推荐系统领域[2]. 近年来, 深度学习推荐系统主要通过建模用户−项目矩阵的非线性表示, 获取用户、物品的深层次潜在语义特征, 在提高推荐结果精准性的同时, 生成自然语言或其他形式的可视化解释, 在不同业务场景中取得了成功的应用[2]. 

尽管已有推荐方法取得了显著的成效, 但是在电子商务平台等实际场景下, 常常面临新加入用户或物品的冷启动推荐问题; 同时, 平台中海量的用户和物品也容易产生用户对物品评分数据的稀疏性, 使得平台对于少量交互数据甚至缺乏交互数据的推荐问题收效一般[5]. 在电子商务推荐系统中, 用户的性别、年龄等属性刻画了用户的行为偏好, 物品的类别、日期等属性反映了物品的受众需求和产品特性等[6]. 例如, “儿童”用户可能喜欢科幻类电影, 那么“儿童”用户容易对科幻类电影进行评价, 这些特征很好地反映了用户评分的偏好动机. 因此, 如何捕捉属性信息和交互行为在评分预测中的贡献, 并给出属性偏好的可解释推荐结果, 对于解决少量交互数据的稀疏性推荐问题, 增强推荐系统的用户黏性具有重要的意义. 

本文分析了用户和项目的属性信息在评分标签上的注意力, 建模了融合评分标签分布的属性偏好语义特征表示; 基于用户和项目交互行为图分析了节点自身、交互邻居与评分标签的信息扩散作用, 学习了用户和项目的多阶交互行为特征表示; 进而融合用户和项目的属性偏好语义和多阶交互语义特征, 提出了一种属性偏好的可解释评分预测方法. 主要创新点如下: 

1)通过分析用户和项目属性在评分标签上的注意力偏好, 定义了属性偏好注意力的评分标签分布, 提出了融合评分标签分布的属性偏好特征表示方法, 增强了用户和项目的属性语义特征表示. 

2)考虑了用户和项目交互行为中的评分标签兴趣偏好, 通过信息传播扩散机制聚合了节点自身、交互邻居与评分标签的信息, 实现了多阶交互评分信息聚合的节点特征表示方法, 增强了用户和项目的交互语义特征表示. 

3)融合节点的属性偏好特征和多阶交互行为特征, 结合节点间的异质类型语义差异, 在异质类型映射空间下学习了用户和项目的类型语义特征, 进而聚合用户和项目的类型语义实现了评分预测. 

4)多个数据集上的实验结果验证了本文方法能够有效提高评分预测的性能, 缓解了交互数据稀疏时推荐系统性能较差的问题, 案例可视化解释了属性偏好在评分交互行为中的贡献. 

图 2  高阶交互邻居的信息传播

图 3  几种方法在ML-L-S数据集上不同稀疏性的MAE结果

图 4  几种方法在ML-L-S数据集上不同稀疏性的RMSE结果

针对少量交互数据的稀疏性推荐问题, 本文考虑了属性信息和评分交互信息在节点语义表示中的作用, 提出了融合属性偏好和多阶交互信息的可解释评分预测方法. 首先, 分析了属性信息与评分标签的关系, 基于注意力机制建模了用户与项目的属性偏好特征表示; 其次, 聚合了用户−项目交互矩阵中的节点自身、交互邻居和评分标签信息, 学习了用户与项目的多阶交互行为特征嵌入; 最后, 考虑到用户与项目的异质类型信息, 学习了类型信息空间下的节点语义嵌入, 通过多层感知机预测了用户对项目的评分, 在MovieLens和Douban数据集上进行了有效性验证. 实验结果表明, 本文提出的模型在MAE和RMSE指标上比传统方法均有一定的改善. 在未来研究中, 将区分多种类型交互行为(如用户对商品的评价、点击、购买等行为)在用户−项目语义表示中的作用, 研究不同交互行为在评分预测过程中的注意力贡献, 学习用户和项目的嵌入表示, 进一步提升推荐系统的精度和可解释性. 

作者简介

郑建兴

山西大学智能信息处理研究所副教授. 主要研究方向为自然语言处理, 推荐系统. E-mail: jxzheng@sxu.edu.cn

李沁文

山西大学计算机与信息技术学院硕士研究生. 主要研究方向为自然语言处理, 推荐系统. E-mail: 201922404015@email.sxu.edu.cn

王素格

山西大学智能信息处理研究所教授. 主要研究方向为自然语言处理, 情感分析. 本文通信作者. E-mail: wsg@sxu.edu.cn

李德玉

山西大学智能信息处理研究所教授. 主要研究方向为数据挖掘. E-mail: lidy@sxu.edu.cn