网络个性化推荐系统中自适应权衡解释机制的研究

With the increasing popularity of recommender systems in the current Web environment, more attentions have been paid to increase users' adoption of recommendations from their perspective. As a matter of fact, though many e-commerce and social media sites have utilized the personalized recommender techniques, a challenging issue has not been well resolved yet，which is: how to provide intelligent explanations along with recommendations so as to compensate for their dis-transparency? In this project proposal, we plan to investigate an adaptive tradeoff explanation method. The proposal of tradeoff explanation is in essence to effectively improve users' decision accuracy by encouraging users to perform complementary decision strategy when facing multiple recommended items. Moreover, the explanation is aimed at stimulating users to provide feedback to system so as for the system to further their preference model. Relative to the state-of-the-art, our research will be of the following novelties: 1) explanatory provision in multi-recommendation setting; 2) dynamic features based user preference elicitation and modeling; 3) comparison support via summary-level and detailed explanations; 4) critiquing-based explanation scrutability. The research objective is to enable the explanation outcomes possessing several distinguishable characteristics, including conciseness, justification, and effectiveness. Additionally, we exert to adapt the explanatory mechanism to the changing of recommender platforms, so that it will be of stronger scalability.

随着新型智能网络中推荐系统的日渐普及，更多的研究关注于如何从用户的角度出发解决和提高他们对推荐结果的理解和接受度。事实上，目前大量的电子商务和社交网站中使用了个性化的推荐技术，但是这些工业化的应用也给学术领域提出了一个迫在眉睫的问题：如何提供更为针对用户需求的解释机制以弥补推荐的不透明性？在这个项目申请中，我们就这个问题进行了阐述，并结合之前的研究基础，提出了一种自适应的权衡解释方案。权衡解释的目的是为了有效的提高用户的决策准确度，即力求通过解释支持用户在面对多个推荐选项时可进行补偿型比较，并激励用户纠正解释和推荐结果以使系统精化用户的偏好模型。与相关工作相比，此研究的创新点在于：1）多推荐结果环境下的解释研究；2）基于产品动态特征的用户偏好建模；3）概括型和深入型权衡解释机制；4）可纠正的评判支持。研究目标是使这种解释方法具有简洁性、辩解性、有效性等多种特性，并使其可适用于多种推荐环境。

随着新型智能网络中推荐系统的日渐普及，更多的研究关注于如何从用户的角度出发解决和提高推荐结果的被接受度。事实上，目前大量的电子商务和社交网站中使用了个性化的推荐技术，但是这些工业化的应用也给学术领域提出了一个迫在眉睫的问题：如何提供更为针对用户需求的解释机制以弥补推荐的不透明性？在这个项目中，我们就这个问题进行了阐述，并结合之前的研究基础，提出了一种自适应的权衡解释方案。权衡解释的目的是为了有效的提高用户的决策准确度，即力求通过基于多维属性（包含静态和动态特征）的解释界面支持用户在面对多个推荐选项时进行补偿型比较，并激励用户纠正解释，从而使系统能精化用户的偏好模型以达到更为准确的推荐效果。经过四年的研究， 我们达到了以下目标：1）实现了无监督的文本挖掘技术，将动态特征提取、情感定位和重要性推测三个任务融入一个统一的学习模型中，以降低错误传递的现象；2）将从评论信息中提取的动态特征和静态特征相结合来建立用户的偏好模型，对传统的多属性价值模型进行了改进和完善；3）进一步提出将场景信息融合到用户的偏好模型中，设计了基于线性回归的随机梯度下降学习的推荐算法来实现特定场景下的推荐结果推送；4）设计并实现了多推荐结果环境下的解释界面和比较界面，通过用户实验证明了此界面对提高用户体验和决策准确度等方面的积极作用；5）提出可纠正的评判支持体系，其中融合了三种反馈机制：显性的协同式混合评判方法、隐性的基于用户眼动的评判推测、和通过行为特征来推测用户性格已解决推荐系统的冷启动问题。我们最终实现了原型系统，并在多个产品领域（电子商务和社交网络）中进行了测试，验证了系统在提高推荐准确性、系统透明度、可信任度、辩解性、有效性、可纠错性等方面的功用。此项目的研究成果发表于多个国际核心学术期刊和会议上，并同时协助培养了多个研究生。