可解释的推荐方式
| 解释方式 | 解释 |
|---|---|
| itemBased-CF | 你曾买过相似的物品 |
| userBased-CF | 和你类似的人还买了… |
| 基于规则 | 大家还购买了… |
推荐系统历史
| 推荐算法 | 可解释性机理 | 缺点 |
|---|---|---|
| content-based | 基于item属性进行推荐，推荐理由可以显式的给出item属性 | 生成item属性耗费大量时间 |
| userBased-CF | 使用一组item评分向量代表一个user | 可解释性差于contentBased |
| itemBased-CF | 使用一组user评分向量代表一个item | 可解释性差于contentBased |
| latent Factor Models(LFM/MF) | 基于latent fator进行预测 | 适用于评分模型，但是可解释性差 |
概念
- model-based explainable recommendation: 推荐算法以可解释的方式同时给出推荐列表和推荐理由；
- model: LDA(latent dirichlet allocation) / EFM(Explicit Factor Model) / …
-
备注： 深度学习的黑盒模式导致可解释性更差；
分类
按照生成理由的类型
- 文本
- 图像
按照生成理由的模型
- matrix fatorization
- topic modeling
- graph-based
- deep Learning
- knowledgge-Graph
- association rules
- post-hoc Models
展现形式
| 类型 | 详情 |
|---|---|
| user-based | 根据用户的反馈（显式/隐式）向用户推荐和他相似的人群喜欢的内容，最好是直接展示用户熟识的一度关系的喜好 |
| item-based | 根据用户喜欢过的物品向其推荐相似物品 |
| content-based | 基于用户行为和物品属性进行推荐，（比如通过雷达图表示出物品属性和多个用户的偏好进行直观展示；或者使用用户的基础信息进行推荐，如年龄、性别、职业等：80%的同龄人买了这件商品；） |
| textual explanations | |
| visual explanations | |
| social explanations | |
| hybrid explanations |