触龙——可解释推荐系统

Reference: 可解释推荐系统：身怀绝技，一招击中用户心理

《战国策》中有个有趣的故事：当年赵国被入侵，只有送出质子才能求来救兵。可是赵太后特别疼爱小儿子，怎么也不肯意让他当质子。大臣们越是劝谏，赵太后就越是愤怒。这时候触龙出面，成功说服了赵太后，让她的爱子出质于齐，换来救兵。他究竟是如何作到的呢？

 

这个故事其实跟咱们最近进行的推荐系统的研究很是相关。若是把“送出质子”看成一个推荐给太后的策略，那么故事的关键不在于推荐内容的好坏，而在于对推荐内容的解释。若是要让赵太后这样顽固的用户接受这个推荐，关键点是什么？

 

触龙给出的答案是：沟通方式、用户心理、合适例证。让咱们详细看看他是怎么作的。

 

触龙刚见到赵太后就开始话家常，说：“我老啦，有个小儿子年龄很小，真是担忧他的将来啊。”赵太后问：“大家男人也很宠爱小儿子吗？”触龙说：“比女人更宠呀。我认为赵太后更喜欢您的女儿，而不是小儿子。”赵太后表示不认同。触龙解释道：“您送公主出嫁的时候，尽管伤心，但也但愿她不要被赶回来。这还不是为她的长远将来打算？”赵太后赞成。触龙又说：“可是您却没怎么为长安君计划将来。您看赵国刚创建时的诸侯王，他们的子孙还有享受爵位的吗？其余国家的呢？”赵太后想了想，表示没有。触龙又说：“那是由于他们荣华富贵太甚，又没有什么功劳的缘故。您如今让长安君有如此高的地位，却不让他有功于国，一旦您驾崩了，长安君凭什么在赵国立足呢？”听了这番话后，赵太后赞成了将长安君做为人质。

 

咱们能够在这个故事里看到两类推荐系统。一类是朝廷大臣这种传统的推荐系统（下图(a)），将重心放在提升推荐准确性上，与推荐对象的沟通考虑得不够；而另外一类是触龙这种可解释的推荐系统（下图(b)），可以以用户容易接受的方式（话家常），充分抓住用户心理（父母爱本身的小孩，应该为他们长远将来考虑），给出适当的例子（赵太后送公主出嫁）与用户沟通。研究发现，这样的系统不只可以提高系统透明度，还可以提升用户对系统的信任和接受程度 、用户选择体验推荐产品的几率以及用户满意程度等等。

(a) 传统推荐系统

(b) 可解释推荐系统

设计一个像触龙这样可解释的推荐系统是咱们的终极目标。目前，这个方向进展如何呢？将来，有什么比较好的研究课题呢？下面，我来介绍一下可解释推荐的分类、推荐解释生成方法以及可解释推荐面临的机遇和挑战。

可解释推荐的分类

通常来讲，可解释的推荐分为下图所示的三大类：以物品为媒介、以用户为媒介、以及以特征为媒介。

以物品为媒介的推荐解释用一句话表述是“这个推荐物品和您喜欢的其余物品类似”。在赵太后的故事中，触龙用了相似的推荐解释： “派长安君作人质”这个推荐策略与赵太后曾经采用过的策略（送公主出嫁）类似。这类解释在各大网站上如亚马逊、Netflix等有较为普遍的应用。它的展示方式经常是一个曾经购买、评论或者浏览物品的列表，列表中的物品和目前推荐的物品比较类似。研究代表这类方法可以增长系统的被接收程度。可是这类推荐解释的问题是用户有时可能难以找到物品之间的关联，另外用户有时可能但愿看到一些本身没有购买过的、不同的物品。

 

以用户为媒介的推荐解释用一句话表述是“跟您类似的用户都喜欢该推荐物品”。在赵太后的故事中，这个与赵太后类似的用户就是也宠爱小儿子的触龙。这类推荐解释展示形式多种多样，生成解释时也每每用到社交信息。微软研究员Amit Sharma等人对四种社交理由进行了用户测试，这四类理由是总体热度（2,612,211位Facebook 用户喜欢它）、朋友热度（您的朋友中有7人喜欢它）、好朋友（张三喜欢它）、好朋友及个数（张三和其余5位您的朋友喜欢它）。最终发现后两种解释方式效果对提高说服力效果最好。使用这两种解释方式时，选择一个正确的朋友很是重要。若是只是随机选择一个朋友，说服力反而会下降。以用户为媒介的推荐解释与以物品、特征为媒介的推荐解释相比，最能说服用户对推荐物品进行评估，可是对用户实际使用物品后喜好程度影响比较小。若是推荐的物品用户不够喜欢，反而会下降用户的满意程度。

 

以特征为媒介的推荐解释用一句话表述是“您可能喜欢推荐物品的这些特征”。在赵太后的故事中，触龙抓住了赵太后最关心的特征——子孙的长远利益——进行推荐，从而使得赵太后接受了推荐。这类推荐解释常见的表现形式是将推荐物品中用户感兴趣的主要特征进行列举（以下图）。研究代表这类推荐解释有助于用户准确判断是否喜欢推荐物品，与前两类推荐解释相比，用户对这类推荐的满意度更高。这类推荐须要判断物品特征以及用户对不一样特征的感兴趣程度，从而找到最适合用于解释的特征，所以建模粒度更细，也是目前的研究热点。

 

以特征为媒介的推荐解释

除了上述三种推荐解释之外，还有结构化概览式推荐以及对话式推荐等。其中，结构化概览式推荐将推荐物品用有组织的、可视化的形式呈现给用户，让用户能够看到各个推荐物品的特性和分布，从而在充分了解之后作出挑选。对话式推荐是在与用户聊天时进行推荐、解释、收集用户反馈，有着较高的接受度，也能够很好地解决冷启动问题。这是一个新兴的研究方向，咱们也在作一些尝试，将在后文进行讨论。

推荐解释生成方法

 刚刚咱们谈到了几类推荐解释，其中以特征为媒介的推荐解释建模粒度较细，模型也日趋成熟。接下来重点介绍一下这类推荐解释的生成方法。

 生成基于特征的推荐解释时，关键是特征的提取。早期的方法借助一些显式的物品特征，例如事先肯定的物品分类、关键词、以及标签信息。在挑选特征进行解释时，主要是综合两个指标：第一是用户对特征的感兴趣程度，第二是推荐商品与特征的相关程度。第一点须要很是了解用户心理，第二点须要对商品进行精确建模，综合两点考虑，才能像触龙同样击中用户心里。早期方法对这二者分别计算以后进行合并，从而找出推荐物品以及解释。这类方法的问题之一是特征的可描述性（Descriptiveness）可能不够。另外这些方法采用的推荐模型还比较简单，一些精巧的、复杂的推荐系统难以用这样的方法进行解释。

EFM（Explicit Factor Model）框架

JMARS（Jointly Modeling Aspects, Ratings and Sentiments）框架

可解释推荐的机遇与挑战

 

做为推荐领域被探索得较少的一个方向，可解释推荐的不少方面值得研究与探索。目前，咱们在考虑从下面三个方面进行研究。

 

解释含有深度神经网络的推荐模型。目前可解释推荐的系统每每是基于较浅层的图模型或者矩阵分解模型，对于含有深度神经网络的复杂、混合模型的解释能力还不够。咱们在考虑借鉴对深层卷积神经网络进行解释、分析的技术，将复杂、高级的推荐系统升级为可解释的推荐。

 

利用知识图谱打通不一样媒介之间的关联。现有的可解释推荐所生成的推荐解释每每只局限于以物品为媒介、以用户为媒介或者以特征为媒介中的某一种，对这三类媒介之间的关联挖掘得还不够。咱们但愿可以利用知识图谱，打通这三类媒介之间的关联，根据具体状况灵活选择其中最合适的媒介对用户进行推荐与解释。这样，咱们还能够产生形式更丰富的推荐解释，例如将用户感兴趣的图片也进行展现。

 

结合生成模型进行对话式推荐。目前的推荐解释每每形式是预先设定、千篇一概的（如预先设定推荐解释是以用户为媒介的）。这样尽管也能根据用户心理举出一些例证，可是在沟通方式上还过于呆板，离触龙那样话家常式的推荐还有很大距离。若是能用生成模型让推荐系统“自创”一句通顺甚至高情商的话，就能够在与用户聊天的过程当中进行灵活、多变地推荐解释了。咱们团队已经与微软小冰合做，在这方面进行了一些尝试，为小冰生成音乐推荐解释。推荐过程以下图所示：

咱们会从这几个方向出发，不断拓展可解释推荐的深度和广度。但愿不久后的某一天，推荐系统都能像触龙那样厉害。