[发明专利]一种基于矩阵分解的事后可解释性推荐方法及装置

说明书

本发明公开了一种基于矩阵分解的事后可解释性推荐方法及装置，该方法包括以下步骤：采集用户对物品的评分和评论；根据评分训练矩阵分解“黑箱”模型，得到“黑箱”模型的预测结果；根据评论抽取用户的特征偏好和物品的特征质量，以获取用户特征偏好矩阵、物品特征质量矩阵和物品特征关注度矩阵；通过获取的矩阵构建可解释性模型；根据“黑箱”模型的预测结果训练可解释性模型，得到可解释性模型的个性化参数和预测评分；根据预测评分的大小给用户推荐结果，并根据个性化参数得出的用户特征偏好值、物品特征质量值和物品特征关注度值的大小按解释模板给推荐结果做出解释。本发明可提高预测精度并解决推荐的可解释性差问题。

技术领域

本发明涉及个性化推荐技术领域，特别是涉及一种基于矩阵分解的事后可解释性推荐方法及装置。

背景技术

随着互联网技术的飞速发展，每天都会产生海量的信息，而如何在海量信息中快速、精确地找到所需要的信息变得尤为重要。个性化推荐可以帮助用户从大量信息中筛选出有用的信息，是克服信息过载的有效技术之一。个性化推荐已经应用于生活的方方面面，例如京东、亚马逊、淘宝等电子商务领域，还有微博、Facebook等社交网络中。经过十几年的研究，推荐系统的精度越来越高，推荐模型也越来越复杂，但推荐模型的不可解释性问题变得愈发突出，即难以解释为什么模型会给出这样的推荐结果。缺乏可解释性降低了推荐结果的可信度，极大地影响了推荐系统在实际应用中的效果，而可解释性推荐将能够帮助用户更好、更快地做出决策，增加用户对推荐结果的信任和满意度。

矩阵分解作为目前推荐领域应用最为广泛的一类协同过滤技术，其核心在于学习用户和物品的潜在特征矩阵，使得两个潜在特征矩阵的内积可以近似原始矩阵。此类技术一定程度上改善了数据的稀疏性问题，也提高了推荐结果的精度，但存在明显的不可解释性问题。从模型层面来看，矩阵分解所学习到的潜在特征是无法理解的，这使得模型不具备可解释性。从推荐结果层面来看，基于学习到的潜在特征也无法让用户理解为什么要推荐该物品，从而难以为推荐结果做出合理解释，也就难以获得用户对推荐结果的信任。

发明内容

本发明旨在一定程度上解决上述技术的不足，提高推荐质量且解决推荐的可解释性差的问题。

为了达到上述目的，本发明一方面提供了一种基于矩阵分解的事后可解释性推荐方法，包括：

根据用户和物品的交互信息采集用户对物品的评分和评论；

根据用户对物品的评分训练概率矩阵分解的“黑箱”模型，得到“黑箱”模型的预测结果；

根据用户对物品的评论抽取用户的特征偏好和物品的特征质量，以获取用户特征偏好矩阵、物品特征质量矩阵和物品特征关注度矩阵；

利用用户特征偏好矩阵、物品特征质量矩阵和物品特征关注度矩阵构建可解释性模型；

根据上述“黑箱”模型的预测结果训练可解释性模型，得到可解释性模型的个性化参数和预测评分；

根据可解释性模型的预测评分大小进行排序得到推荐结果，并根据个性化参数得到用户的特征偏好值、物品的特征质量值和物品的特征关注度值，以根据用户的特征偏好值、物品的特征质量值和物品的特征关注度值的大小按解释模板给用户的推荐结果做出解释。

优选地，所述概率矩阵分解的“黑箱”模型为：

其中，n为用户数，m为物品数，R_ij为用户u_i对物品I_j的真实评分，U_i为用户特征矩阵，V_j为物品特征矩阵，λ为正则化权重，以避免过拟合，I_ij为指示函数，当I_ij等于0时表示用户u_i对项目I_j未进行过评分，当I_ij等于1时表示用户u_i对项目I_j进行过评分。