基于可解释嵌入学习的推荐系统

摘要

隐因子模型旨在从历史行为数据中学习用户和商品的“隐式”嵌入，是构建现代推荐系统的核心技术.然而，“隐式”嵌入缺乏可解释性，极大地限制了推荐系统的可信度.鉴于此，提出一种基于提示集成的嵌入可解释评论感知评分回归方法（Prompt Ensemble-based Explainable Embedding for Review-aware Rating Regression,PE3R3）.该方法联合利用文本评论和数值评分数据，旨在学习具有明确语义的“显式”嵌入，从而增强推荐结果的可解释性.首先，PE3R3借助预训练语言模型及多样化提示模板，从评论文本中提炼出具有显式语义的元码本；然后，以数值评分为监督信号，通过残差量化机制将用户和商品表征为多个元码的线性组合，从而获得富有语义的“显式”嵌入，使推荐结果具备可解释性. PE3R3具有“即插即用”的特点，可以与现有评分回归模型无缝集成.实验结果表明，结合PE3R3模型的预测精度实现了5%的平均性能提升和16%的最大性能提升；在可解释性方面，定量分析和定性分析均表明，PE3R3的引入显著提升了推荐结果的可解释性.

关键词

可解释推荐 / 隐因子模型 / 提示学习 / 评论感知评分回归 / 向量量化