可解释推升的前沿发展 - Xiting Wang

知识视角图形推理与自然语言生成

定义和目标

可解释推荐系统旨在向用户解释为什么某个项目被推荐，以提高推荐项目的采用率。与传统推荐系统相比，可解释推荐系统不仅关注推荐什么，更关注为什么推荐，从而优化用户体验，增加用户信任或满意度。

解释和应用的基本类型

解释可解释推荐系统的方式主要分为结构化和非结构化两种类型：

• 结构化：基于图的推理

  • 利用知识图谱（KG）进行推理，揭示模型的推理步骤，提供晶体类型的可解释性。
  • 优势：提高准确性，实现稳健和可控的学习。
  • 缺点：当没有真相时，如何建模是一个挑战。

• 非结构化：自然语言生成

  • 通过文本形式解释推荐原因，提供高度个性化和多样化的解释。
  • 优势：无需手动设计，无版权问题，高度个性化。
  • 缺点：如何确保生成的解释是翔实和高质量的？

近期进展

结构化：基于图的推理

• 知识图谱（KG）的整合
  • 通过将实体嵌入注入传统推荐框架或直接在KG上提取路径，提高推荐准确性和可解释性。
  • 代表性方法：KPRN（知识感知路径循环网络）、PGPR（策略引导的路径推理）、ADAC（对抗性演员-评论家）等。

非结构化：自然语言生成

• 强化学习（RL）和预训练模型
  • 利用强化学习和预训练模型生成有吸引力的文本广告，提高点击率。
  • 代表性方法：增强预训练模型以生成有吸引力的文本广告。

协同多任务学习和会话推荐

• 多任务学习
  • 通过多任务学习整合用户反馈，提高推荐系统的可解释性。
  • 代表性方法：协同多任务学习。
• 会话推荐
  • 通过对话实现双向的用户-模型通信，迭代地细化建议和解释结果。
  • 代表性方法：走向可解释的会话推荐。

挑战和未来方向

• 非结构化解释
  • 如何确保生成的解释是翔实和高质量的？
• 结构化解释
  • 事实核查：如何确保传达的信息是事实？
• 效率和鲁棒性
  • 处理非常大和嘈杂的知识图。
• 多模态
  • 集成其他类型的结构化数据，例如图像。
• 离线评估
  • 如何评估离线设置中的用户体验？
• 新范式
  • 更紧密地集成用户和推荐模型。
• 零/低资源
  • 如何生成高质量的自然语言解释，当没有足够的地面真相解释时？

用户和Rec模型的更紧密集成

• 联合优化
  • 联合优化建议和他们的介绍，推荐模型对项目的反馈（如点击次数和停留时间）反馈到模型。
• 主动触发用户反馈
  • 主动触发用户反馈，允许用户直接告诉系统出了什么问题，推荐什么。
• 交互式可视化
  • 通过交互式可视化推荐解释，提高用户理解。