基于多任务学习的可解释性推荐方法研究.pdfVIP

摘要

摘要

随着数据时代的兴起，推荐系统在信息冗余应对和提供个性化建议方面扮

演着关键的角色。技术的快速发展以及用户需求的不断演变推动了现代推荐系

统的进步，使其逐渐朝着更强调解释性的方向发展，专注于向用户提供清晰而

合理的推荐解释。透明的推荐系统能够向用户提供推荐决策的合理解释，使用

户更容易理解为什么会得到某些推荐，从而提高用户对系统的信任度，改善用

户体验。

现有的可解释推荐方法从评论中提取标签作为解释，使用类似于标签推荐

的方法进行解释推荐。然而这些标签作为附加信息，既能体现用户偏好，又包含

项目属性信息，可以用来增强用户和项目的表示，这经常被忽略。另一方面，目

前的研究较少关注表情符号在推荐任务中的潜在作用。为了挖掘评论中的关键

信息，本文提出了一个基于神经协同过滤的项目-解释联合排名框架（Aspect

Rating-enhancedExplainablerecommendationbasedonNeuralCollaborativeFiltering，

ARER-NCF）。该框架充分利用神经协同过滤的建模能力来捕捉用户、项目和解

释之间的交互。同时，它从用户评论和表情符号中提取信息，以丰富用户和项

目的表示。ARER-NCF通过整合这些增强的表示，提高了项目推荐和解释排序

任务的性能，实现了双赢的效果。此外，ARER-NCF通过解释之间的高阶相关

性来对解释推荐结果进行微调，从而提升解释推荐任务性能。

ARER-NCF将用户、项目和解释视为独立的特征，忽略了它们在图结构上

的关系。现有的基于图神经网络的推荐方法，面临异构图的消息传递和聚合问

题。为了解决这一挑战，本文提出了一个基于图卷积神经网络的项目-解释联

合排名框架（AspectRating-enhancedExplainablerecommendationbasedonGraph

ConvolutionNetwork，ARER-GCN）。该模型通过将用户-项目-解释之间的三重交

互数据划分为三个成对关系，并构建不同的感知子图。ARER-GCN具备在不同

子图上进行消息传递的能力，为用户、项目和解释生成面向任务的节点表示，

有效减少负转移问题带来的冲突。相较于现有的基于图神经网络的推荐模型，

ARER-GCN通过分治策略解除了图神经网络处理异构图的限制，同时通过提供

匹配用户偏好和项目特征的解释，提高了推荐的准确性和可信度。此外，ARER-

GCN模型融合了有效的评价标签和评分数据，采用增强表示学习和自表示学习

的方法，取得了更为卓越的推荐性能。

-I-

摘要

本文提出的两个框架均采用多任务学习的理念，以联合学习的方式同时完

成项目推荐和解释推荐两个任务，从而提升整体学习性能。相较于单一任务学

习，多任务学习通过共享底层表示或特征学习，使得模型能够更好地泛化到不

同但相关的任务。通过这种联合学习的方式，模型能够更全面地理解用户和项

目之间的复杂关系，从而改善推荐系统的性能和用户体验。

关键词：可解释推荐；神经协同过滤；图卷积神经网络；多任务学习

-II-

Abstract

Abstract

Withtheriseofthedataera,recommendationsystemsplayakeyroleincoping

withinformationredundancyandprovidingpersonalizedrecommendations.Therapid

developmentoftechnologyandthecontinuousevolutionofuserneedshavepromotedthe

progressofmodernrecommendationsystems,makingth