[发明专利]一种基于多行为推荐模型的模型不可知反事实解释方法

说明书

本发明涉及互联网领域，具体涉及一种基于多行为推荐模型的模型不可知反事实解释方法，S1、确定要进行解释的模型；S2、交互物品项的各行为类型重要性排序；S3、过滤行为类型子集；S4、过滤候选解释；S5、确定待定解释；S6、获得更多候选解释；S7、决定最终解释，通过对单行为与多行为推荐系统中交互历史、偏好、结果的因果分析，以及对行为类型间关系的分析，明确了在指定被解释项、指定交互物品的情况下，各行为类型的重要性分数，以及行为类型子集的过滤与重要性分数，实现了依据行为类型对候选解释搜索空间的过滤；解决了传统模型不可知解释方法不能对多行为推荐模型进行真实而有操作性的解释的问题。

技术领域

本发明涉及互联网领域，具体涉及一种基于多行为推荐模型的模型不可知反事实解释方法。

背景技术

为了向用户提供个性化的内容，基于异构信息网络的推荐系统将从用户收集的各种数据集成到一个通常很复杂的排名模型中，因此，推荐结果可能会让用户感到困惑，让他们想知道为什么会向他们推荐某些特定的项目，为了解决可解释性问题，研究人员转向了可解释的推荐模型，希望它不仅能产生有效的推荐，还能对人类进行直观的解释，通常，可解释的模型可以是模型内在的或模型不可知的也称为事后的。

模型不可知解释不假设潜在的推荐模型，而允许决策机制成为一个黑盒，并将在决策做出后提供解释，现有的大部分对推荐系统的可解释性成果，都仅考虑了单一类型的用户-物品交互行为，然而，在许多实际的推荐场景中，用户-道具交互是多元的，表现出本质上的关系多样性，以电子商务系统为例，用户与商品之间存在多种行为如查看页面、添加到收藏夹、添加到购物车和购买，这些行为是相互依存的，在这种情况下，由于忽略了不同类型的用户-物品交互行为之间的多模态关系，现有大部分成果并不能轻易应用于多行为推荐模型。

此外，对于一般的事后解释方法，其解释是不真实的，是对另一个系统所构建的观察到的输入和输出的合理化，并且可能不是可推知的和可操作的，但如许多现有成果所展示的，使用反事实推理的可解释性方法不受该问题影响，反事实使用推荐系统本身进行预期输出，所以其解释机制与特定于模型的解释具有相同的保真度，通过研究在数据中存在关联关系的前提下，表示出行为类型与推荐结果的因果关系，从而提高对推荐列表的解释的真实有效性与可操作性，对模型不可知的多行为推荐模型进行解释是具有现实意义的。

发明内容

为了解决传统模型不可知解释方法不能对多行为推荐模型进行真实而有操作性的解释的问题，提供一种基于多行为推荐模型的模型不可知反事实解释方法。

本发明采用的技术方案如下：

一种基于多行为推荐模型的模型不可知反事实解释方法，包括以下步骤：

S1、获取数据集，并确定要进行不可知解释的多行为推荐模型；基于获取的数据集中的用户交互历史作为多行为推荐模型的输入，通过多行为推荐模型输出得到被推荐项以及对应每个推荐项的推荐分数；

S2、确定要解释的被推荐项与被推荐的用户，依据用户交互历史中的每个交互物品项以及被推荐项分数，计算每个交互物品的各个行为类型的重要性分数，并基于所述重要性分数对每个交互物品项的各行为类型进行重要性排序；

S3、根据被推荐项分数与交互物品项的各行为类型的重要性顺序，对每个该用户的被推荐项所对应的每个交互过的物品进行过滤，得到部分行为类型子集，并生成对应部分行为类型子集的重要性分数；

S4、根据重要性分数对用户交互历史中的候选解释进行过滤；

S5、基于过滤后的候选解释确定待定解释；

S6、基于待定解释获取更多的候选解释；

S7、若S6中获取的候选解释能够作为解释的，则取代S5中确定的待定解释，返回S6；若S6中所获取的候选解释中没有可作为解释的，则S5中获取的待定解释为最终解释。