乾貨｜個性化推薦系統五大研究熱點之可解釋推薦（五）

【編者按】微軟亞洲研究院社會計算組的研究員們從深度學習、知識圖譜、強化學習、用戶畫像、可解釋性推薦等五個方面，展望了將來推薦系統發展的方向。

在前幾篇文章中，咱們分別介紹了深度學習、知識圖譜、強化學習、用戶畫像在推薦系統中的應用以及將來可能的研究方向。在今天的最後一篇文章中，咱們將介紹推薦系統的可解釋性。

前文所述推薦系統研究大都將重心放在提升推薦準確性上，與推薦對象的溝通考慮得不夠。近期，學者們開始關注推薦是否可以以用戶容易接受的方式，充分抓住用戶心理，給出適當的例子與用戶溝通。研究發現，這樣的系統不只可以提高系統透明度，還可以提升用戶對系統的信任和接受程度 、用戶選擇推薦產品的機率以及用戶滿意程度。設計這樣一個可解釋的推薦系統是咱們的終極目標。

做爲推薦領域被探索得較少的一個方向，可解釋推薦的不少方面值得研究與探索。目前，咱們在考慮從下面三個方面進行研究。

1.利用知識圖譜加強算法解釋能力。知識圖譜做爲可讀性高的外部知識載體，給提升算法解釋能力提供了極大的可能性。

現有的可解釋推薦所生成的推薦解釋每每只侷限於以物品爲媒介、以用戶爲媒介或者以特徵爲媒介中的某一種，對這三類媒介之間的關聯挖掘得還不夠。咱們但願可以利用知識圖譜，打通這三類媒介之間的關聯，根據具體狀況靈活選擇其中最合適的媒介對用戶進行推薦與解釋。

另外，咱們還可能利用Microsoft Concept Graph這類概念圖譜，創建特徵之間的可讀深度結構，從而用來代替目前解釋性極弱的深度學習網絡，在提升可讀性的同時保證算法的準確性。

在可解釋人工智能愈來愈重要的時代，將知識圖譜這類符號知識(symbolic knowledge)和深度學習結合，會是極有前景的方向。

2. 模型無關的可解釋推薦框架。目前可解釋推薦系統大可能是針對特定的推薦模型設計，可拓展性較弱，對於新興的推薦模型，例如含有深度神經網絡的複雜、混合模型的解釋能力還不夠。若是有一個模型無關的可解釋推薦框架，就能夠避免針對每一個推薦系統分別設計解釋方案，從而提升方法的可拓展性。

咱們對此作了初步嘗試(A Reinforcement Learning Framework for Explainable Recommendation，ICDM2018)。在這一工做中，咱們提出用以下的強化學習框架（圖1）來對任何推薦模型進行解釋，同時確保可拓展性、解釋能力以及解釋質量。

       

                          圖1：模型無關的可解釋推薦強化學習框架

3. 結合生成模型進行對話式推薦。目前的推薦解釋每每形式是預先設定、千篇一概的（如預先設定推薦解釋是以用戶爲媒介的），這樣儘管也能根據用戶心理舉出一些例證，可是在溝通方式上還過於呆板。

若是能用生成模型讓推薦系統「自創」一句通順甚至高情商的話，就能夠在與用戶聊天的過程當中進行靈活、多變地推薦解釋了。咱們團隊與微軟小冰合做，在這方面進行了一些嘗試，爲小冰生成音樂推薦解釋。

      

咱們認爲將來的推薦系統須要進一步考慮推薦算法的效率與可拓展性、融合多源異構的用戶行爲數據，並捕捉用戶長短時間的偏好；在推薦系統中結合知識圖譜推理、設計通用策略的學習機制、以及經過有限的用戶交互數據獲得有效的決策模型是重要的研究方向；

在可解釋性方面，咱們須要藉助知識圖譜來加強算法解釋能力、設計模型無關的可解釋推薦框架、並考慮結合生成模型進行對話式推薦；

最後，咱們須要認真關注用戶隱私問題，設計在不一樣平臺間共享用戶數據的機制，並創建面向推薦系統的統一用戶表示模型。

咱們相信個性化推薦系統將在準確性、多樣性、計算效率、以及可解釋性多個不一樣的方向持續演進，最終解決用戶信息過載的困擾。

想要了解關於推薦系統的更多研究熱點，還請持續關注。

相關閱讀：

乾貨|個性化推薦系統五大研究熱點之用戶畫像（四）

乾貨｜個性化推薦系統五大研究熱點之強化學習（三）

乾貨|個性化推薦系統五大研究熱點之知識圖譜（二）

乾貨 | 個性化推薦系統五大研究熱點之深度學習（一）

搭建推薦系統快速入門，只需五步！

歡迎你們點贊、收藏，將更多技術知識分享給身邊的好友。

本帳號爲第四範式智能推薦產品先薦的官方帳號。本帳號立足於計算機領域，特別是人工智能相關的前沿研究，旨在把更多與人工智能相關的知識分享給公衆，從專業的角度促進公衆對人工智能的理解；同時也但願爲人工智能相關人員提供一個討論、交流、學習的開放平臺，從而早日讓每一個人都享受到人工智能創造的價值。

第四範式每一位成員都爲人工智能落地貢獻了本身的力量，在這個帳號下你能夠閱讀來自計算機領域的學術前沿、知識乾貨、行業資訊等。

如欲瞭解更多，歡迎搜索關注官方微博、微信（ID：dsfsxj）公衆號。