可解释推荐系统：身怀绝技，一招击中用户心理

2017 年 9 月 15 日 机器学习研究会

编者按：推荐系统被广泛应用在电商网站、社交网络、生活服务网站、搜索引擎等平台。一个好的推荐系统不仅需要准确地把握用户的需求，推荐给用户想要的内容，更需要学会与用户沟通，了解用户心理，以用户容易接受的方式给出适当的推荐。

本文中，微软亚洲研究院的研究员王希廷和谢幸将为大家详解可解释推荐系统的分类、推荐解释生成方法以及面临的机遇和挑战。

《战国策》中有个有趣的故事：当年赵国被入侵，只有送出质子才能求来救兵。但是赵太后特别疼爱小儿子，怎么也不愿意让他当质子。大臣们越是劝谏，赵太后就越是愤怒。这时候触龙出面，成功说服了赵太后，让她的爱子出质于齐，换来救兵。他到底是如何做到的呢？

这个故事其实跟我们最近进行的推荐系统的研究非常相关。如果把“送出质子”当作一个推荐给太后的策略，那么故事的关键不在于推荐内容的好坏，而在于对推荐内容的解释。如果要让赵太后这样顽固的用户接受这个推荐，关键点是什么？

触龙给出的答案是：沟通方式、用户心理、合适例证。让我们详细看看他是怎么做的。

触龙刚见到赵太后就开始话家常，说：“我老啦，有个小儿子年龄很小，真是担心他的未来啊。”赵太后问：“你们男人也很宠爱小儿子吗？”触龙说：“比女人更宠呀。我认为赵太后更喜欢您的女儿，而不是小儿子。”赵太后表示不认同。触龙解释道：“您送公主出嫁的时候，尽管伤心，但也希望她不要被赶回来。这还不是为她的长远未来打算？”赵太后同意。触龙又说：“但是您却没怎么为长安君计划未来。您看赵国刚建立时的诸侯王，他们的子孙还有享受爵位的吗？其他国家的呢？”赵太后想了想，表示没有。触龙又说：“那是因为他们荣华富贵太甚，又没有什么功劳的缘故。您现在让长安君有如此高的地位，却不让他有功于国，一旦您驾崩了，长安君凭什么在赵国立足呢？”听了这番话后，赵太后同意了将长安君作为人质。

我们可以在这个故事里看到两类推荐系统。一类是朝廷大臣这种传统的推荐系统（下图(a)），将重心放在提高推荐准确性上，与推荐对象的沟通考虑得不够；而另一类是触龙这种可解释的推荐系统（下图(b)），能够以用户容易接受的方式（话家常），充分抓住用户心理（父母爱自己的小孩，应该为他们长远未来考虑），给出适当的例子（赵太后送公主出嫁）与用户沟通。研究发现，这样的系统不仅能够提升系统透明度，还能够提高用户对系统的信任和接受程度、用户选择体验推荐产品的概率以及用户满意程度等等。

(a) 传统推荐系统

(b) 可解释推荐系统

设计一个像触龙这样可解释的推荐系统是我们的终极目标。目前，这个方向进展如何呢？未来，有什么比较好的研究课题呢？下面，我来介绍一下可解释推荐的分类、推荐解释生成方法以及可解释推荐面临的机遇和挑战。

可解释推荐的分类

一般来说，可解释的推荐分为下图所示的三大类：以物品为媒介、以用户为媒介、以及以特征为媒介。

三大类推荐解释：以物品、用户、特征为媒介

（图片来自文章：Tags planations: explaining recommendations using tags）

以物品为媒介的推荐解释用一句话表述是“这个推荐物品和您喜欢的其他物品相似”。在赵太后的故事中，触龙用了类似的推荐解释： “派长安君做人质”这个推荐策略与赵太后曾经采用过的策略（送公主出嫁）相似。这类解释在各大网站上如亚马逊、Netflix等有较为广泛的应用。它的展现方式常常是一个曾经购买、评论或者浏览物品的列表，列表中的物品和目前推荐的物品比较相似。研究表明这类方法能够增加系统的被接收程度。但是这类推荐解释的问题是用户有时可能难以找到物品之间的关联，另外用户有时可能希望看到一些自己没有购买过的、不一样的物品。

以用户为媒介的推荐解释用一句话表述是“跟您相似的用户都喜欢该推荐物品”。在赵太后的故事中，这个与赵太后相似的用户就是也宠爱小儿子的触龙。这类推荐解释展现形式多种多样，生成解释时也往往用到社交信息。微软研究员Amit Sharma等人对四种社交理由进行了用户测试，这四类理由是整体热度（2,612,211位Facebook 用户喜欢它）、朋友热度（您的朋友中有7人喜欢它）、好朋友（张三喜欢它）、好朋友及个数（张三和其他5位您的朋友喜欢它）。最终发现后两种解释方式效果对提升说服力效果最好。使用这两种解释方式时，选择一个正确的朋友非常重要。如果只是随机选择一个朋友，说服力反而会降低。以用户为媒介的推荐解释与以物品、特征为媒介的推荐解释相比，最能说服用户对推荐物品进行评估，但是对用户实际使用物品后喜爱程度影响比较小。如果推荐的物品用户不够喜欢，反而会降低用户的满意程度。

以特征为媒介的推荐解释用一句话表述是“您可能喜欢推荐物品的这些特征”。在赵太后的故事中，触龙抓住了赵太后最关心的特征——子孙的长远利益——进行推荐，从而使得赵太后接受了推荐。这类推荐解释常见的表现形式是将推荐物品中用户感兴趣的主要特征进行列举（如下图）。研究表明这类推荐解释有助于用户准确判断是否喜欢推荐物品，与前两类推荐解释相比，用户对这类推荐的满意度更高。这类推荐需要判断物品特征以及用户对不同特征的感兴趣程度，从而找到最适合用于解释的特征，因此建模粒度更细，也是目前的研究热点。

以特征为媒介的推荐解释

（图片来自文章：Explicit factor models for explainable recommendation based on phrase-level sentiment analysis）

除了上述三种推荐解释以外，还有结构化概览式推荐以及对话式推荐等。其中，结构化概览式推荐将推荐物品用有组织的、可视化的形式呈现给用户，让用户可以看到各个推荐物品的特性和分布，从而在充分了解以后做出挑选。对话式推荐是在与用户聊天时进行推荐、解释、收集用户反馈，有着较高的接受度，也可以很好地解决冷启动问题。这是一个新兴的研究方向，我们也在做一些尝试，将在后文进行讨论。