推荐系统的推荐解释研究

王春才，邢晖，李英韬

（1.长春理工大学计算机科学技术学院，长春　130022；2.长春市万易科技有限公司工程研究中心，长春　130000）

推荐系统的推荐解释研究

王春才1，邢晖1，李英韬2

（1.长春理工大学计算机科学技术学院，长春130022；2.长春市万易科技有限公司工程研究中心，长春130000）

0　引言

推荐系统可以帮助用户在海量的数据中找到其所感兴趣的信息。推荐结果的好坏除了可以对其准确度等指标进行评测外，系统对于推荐结果的解释也逐渐成为提高用户体验的重要方法之一[1]。不同的推荐解释会带给用户不一样的感受，直接影响到用户对推荐系统的满意程度和对推荐结果的信任程度。目前推荐解释问题已成为推荐系统研究领域的热点之一。

1　推荐解释的类型

通常情况下，推荐结果的计算与推荐解释的风格并无关系。推荐解释的主要目的是提高用户对推荐系统的置信度，为此往往需要提升推荐系统的透明度。让用户了解推荐系统的运行机制，才可以提高用户对推荐系统的信任程度。表1展示了目前常用的推荐解释类型与示例。

下面将逐一介绍各推荐解释方法。

（1）基于协同的推荐解释

当用户u对物品i进行评分后，评分数据便作为推荐系统的输入，用来识别对物品i评分与用户u的评分相似的用户集合[2]。集合中这些与u相似的用户通常被成为邻居。通过计算邻居间的相似度，由此，对推荐物品的预估便推广为对物品i的评分。

在实际应用中，最著名的当属亚马逊的“买过本商品的还买了……”。这个解释的前提场景是用户正在浏览其所感兴趣的某一商品，通过找到与该用户相似的用户集合，分析这些用户所感兴趣的其他商品，并将这些用户所感兴趣的其他商品为该用户进行展示。

表1　常用的推荐解释与示例

（2）基于内容的推荐解释

基于内容的推荐解释与基于协同的推荐解释不同，它并不利用用户对物品的评分信息，而是利用物品的内容属性来计算物品间的相似度。例如在电影网站中，基于内容的推荐结果的解释可以是根据用户所提供的最喜爱的演员得到。

通过对物品进行特征的标注，得到物品的标签或特征向量，便有充足的物品内容信息得以进行基于物品内容信息的相似度计算，该方法既可以很好地解决物品冷启动的问题，又可以提供置信度较高的基于内容的推荐解释。

在业界中，个性化电台Pandora的推荐方法便是通过对音乐进行标记，利用音乐的特征向量来计算音乐间的相似度，并提供用户基于内容的推荐解释。

（3）基于案例的推荐解释

基于案例的推荐解释为用户提供最能够匹配其查询的产品。产品数据库中的每一项对应一个实例。通常用户的查询会对物品的属性进行限制，如只对价格低于某个价位的数码相机感兴趣[3]。假设实例（产品）描述属性集A与用户查询Q相关的子集AQ，则实例C和Q的相似度一般定义为：

其中，函数sima（C，Q）表示查询Q和实例C在属性a上面的相似度，该相似度的加权系数为wa，表示这个属性对用户的重要性。

而推荐结果的集合由所有与查询Q最为相似的实例C组成。通常该推荐结果的集合会直接展示给用户，然后用户可能会想要知道为什么会推荐这个产品，或者为什么还需要继续进行会话以提取需求。基于实例的推荐解释对于这个问题的经典解决办法是，将用户的需求与给出的实例进行比较，并强调哪些约束条件得到满足，哪些没有。

仍以低于某个价位的数码相机为例。当用户提出推荐原因的疑问时，解释可以是：某数码相机的价格满足了用户的限制条件，因此被推荐。

（4）基于知识和自然语言的推荐解释

基于知识和自然语言的推荐解释认为推荐引擎的输入是用户u的需求或者有关其兴趣的信息，并根据物品i与用户u的需求之间的匹配程度进行推荐。通常基于知识和自然语言的推荐系统会优先考虑利用物品的内容信息，即属性，作为其推荐的解释[4]。如以数码相机为例，推荐的解释可以为：“更高的内存，更高的像素，更低的价格。”

（5）基于人口统计的推荐解释

基于人口统计的推荐解释以用户u的人口统计信息为输入信息，根据该信息，推荐算法会识别在人口分布上与u相似的用户集合，为用户u推荐的物品i的预测评分值源于相似用户集合对i的评分，以及这些用户与u的相似度。

基于人口统计的推荐解释的示例可以为：“为您推荐这款产品，因为您是一位20~30岁的女性。”但在实际情况中，由于人口统计信息的敏感性，很多推荐系统并不以此信息作为推荐结果的解释。

2　推荐解释的目的

推荐系统为什么需要给出解释，问题的答案与两方面有关：推荐的提供者与接受者。以电子商务网站为例，卖家关心的是推荐系统是否可以为其产品进行有效的宣传，而买家则关心的是推荐系统所给出的推荐结果是否可以为自己做出更好的购物决策。推荐解释的重要作用，就是帮助卖家与买家分别提高各自的收益和效率[5]。因为二者构思推荐解释的意图不同，如卖家需要提供让买家更为确信的解释来提高效益，而买家则想要寻找价格更低的商品，并为该决策找到合适的解释和理由。尽管对解释的理解不同，但解释是在二者沟通过程中必不可少的交流信息。一般推荐的过程中提供解释的主要目的有如下几种：

（1）透明性。合理的解释能够让推荐更加透明，为用户提供准确的信息，以帮助其理解推荐产生的推理过程。推荐解释还能够说明为什么一个物品比另一个物品更加受欢迎。例如，用户可能会奇怪为什么电影推荐系统会推荐给自己西部片，而事实上用户对此并不感兴趣。透明的推荐解释可能会对此推荐做出合理的说明，因为用户购买了乡村音乐的唱片，该信息被用于向用户推荐西部电影，由此用户便可以明晰推荐产生的过程，并有了更改错误推荐的机会。

（2）正确性。推荐解释可以用于允许用户检查推荐结果的正确性。正确的推荐结果可以帮助用户做出更为正确的消费决策。通过比较推荐结果与用户自身的实际需求，用户可以更有效地确认推荐的质量。

（3）可信度。解释的目的就是在推荐中构建信任度，从而减少用户对推荐质量的不确定性。构建信任感可以被看作是一种在不确定环境下减少人工决策复杂度的方法。

（4）说服力。在推荐系统中，说服性的推荐解释的目的就是要改变用户的购买行为。比如，推荐系统可能有意识地只强调产品的正面信息，而对于负面信息只字不提。

（5）有效性。有效性在推荐系统中是指如何支持用户做出高质量的决策。能够提高有效性的解释通常都能够帮助用户发现自己特有的偏好。有效的推荐解释可以帮助用户做出更好的选择。

（6）效率。效率是指推荐系统能够在多大程度上帮助用户减少决策的代价。因此，以提高效率为目的的推荐解释通常是试图减少用户在决策过程中所需要的时间。然而，效率也可以从用户所感知的认知代价进行衡量，这与基于推荐和选择产品上所用时间的效率含义有所不同。

（7）满意度。良好的推荐解释可以提高用户对推荐系统的满意度，由此增加用户的购买量与回头率。

（8）可理解性。推荐系统或许永远难以了解用户掌握多少知识，将用户已知的概念和推荐系统所用到的概念贯通起来，可以帮助用户更好地理解推荐解释。

（9）教育。好的推荐解释可以培养用户更好地理解产品的领域知识。用户对该产品的领域知识越深，通过重新思考与评估，就能够做出更为明智的决策。

虽然推荐解释的目的各不相同，但它们彼此之间互相关联，例如提高推荐的解释度可能会对可信度有正面效果。相反，有说服力的推荐解释很可能在可信度上会造成一定损失。因此，设计推荐解释需要明确解释的目的，并在实际中不断评估推荐解释的效果。

3　结语

本文介绍了多种类型的推荐解释方法，如基于协同的推荐解释、基于内容的推荐解释和基于案例的推荐解释等。并分析了为推荐结果进行解释的目的，如透明性、正确性和可信度等。不同的推荐解释带给用户不同的体验，目前推荐解释及其所产生的效果已成为一项重要的研究课题。推荐解释可以帮助用户做出明智的购买决策，但同时解释也有被滥用的风险，将用户推向只对卖方有利的方向上去。因此，深入研究推荐解释及其对用户产生的效果非常重要。

[1]李斌.推荐系统研究综述[J].现代计算机：专业版,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]杨淑梅.推荐系统的交互性研究[D].北京:北京邮电大学,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，硕士，正高级工程师，研究方向为数据挖掘

邢晖（1990-），男，山西代县人，硕士，研究方向为数据库系统

李英韬（1972-），男，吉林吉农人，硕士，高级工程师，研究方向为智慧城市

2015-12-10

2015-12-30

介绍推荐系统的推荐解释问题，分析提供推荐解释的多种方案，如基于协同的解释，基于内容的解释，基于知识和自然语言的解释和基于人口统计的解释，并阐述提供推荐解释的目的，如透明性、正确性、可信度等，为解决推荐系统的推荐解释问题提供一定的参考。

推荐系统；推荐解释；协同过滤；透明度

长春市科技计划项目（No.14JR002）、国家科技支撑计划项目（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.