基于细粒度用户偏好分析的可解释推荐方法与应用研究

Recommender systems have developed for more than 20 years, which have aroused great concerns and been widely applied in academia and industry. Along with the development of machine learning and artificial intelligence, the techniques of recommender systems have become more advanced with continuous lift in recommendation performances. However, the lack of explanations for recommendations would hinder users from understanding the recommendation results, and also hamper decision makers from capturing users' fine-grained preferences. In view of this, this project focuses on explainable recommendation methods with respect to multi-view fine-grained user preferences. Specifically, the project firstly analyzes fine-grained preferences from both explicit and implicit user feedbacks, and devises a deep representation learning technique with attention mechanism, in order to achieve explainable recommender systems on the basis of satisfactory recommendation performances. The project progress is expected to be applied in e-commerce sites, social media and advertisement platform by providing more reliable recommender systems for users.

个性化推荐提出至今已有二十余年历史，一直受到学术界和工业界的广泛关注，并且随机器学习与人工智能方法的进步而不断发展完善。但是，推荐系统缺少可解释性的问题仍困扰其用户和管理者。一方面用户难以理解推荐结果，另一方面管理者难以掌握用户细粒度偏好。有鉴于此，本项目研究融合多视角用户细粒度偏好的可解释推荐方法。具体而言，本项目首先分别通过显式反馈和隐式反馈两种视角分析用户细粒度偏好，然后在此基础上设计引入注意力机制的深度表征学习方法，在保证推荐精度的基础上实现推荐结果的可解释。项目的研究成果有望应用于电商网站、社交媒体以及广告平台，为广大用户提供更可信的推荐系统。

本项目严格按计划的研究目标与内容执行，针对推荐系统缺少可解释性导致的用户难以理解推荐结果，管理者难以掌握用户细粒度偏好等问题，研究了通过显式和隐式反馈两个视角挖掘用户意图的方法，并在此基础上进行了可解释推荐方法的研究，取得了显著的研究成果。具体而言，本项目提出了基于伪文档的系列短文本语义分析方法，在此基础上实现了基于用户显式反馈的方面观点分析方法，还提出了基于深度学习的细粒度方面观点分析方法；项目还提出了基于人格的用户隐式反馈的偏好分析及推荐方法。此外，项目基于显式反馈进行用户意图挖掘的相关成果，还成功迁移并应用到了国家自然科学基金重大研究计划项目在多领域知识集成的工作中，以及重点研发计划在城市知识显式萃取的工作中，产生了应用价值。