CN113420215A - 一种面向兴趣点推荐的可解释生成方法 - Google Patents

Abstract

本发明提供一种面向兴趣点推荐的可解释生成方法，涉及社交网络以及兴趣点推荐技术领域。首先根据兴趣点推荐模型获取用户ID及推荐的兴趣点，以及兴趣点对应的影响因素；再根据兴趣点影响因素之间的标量投影，进行兴趣点影响因素之间的融合；将多个融合后的影响因素与推荐的兴趣点将多个融合后的影响因素与推荐的兴趣点进行相似性学习，得到融合后的影响因素与推荐的兴趣点间的相似性权重；根据相似性权重值，确定影响兴趣点推荐的主要影响因素；最后采用设定好的句子模板，基于主要影响因素对推荐的兴趣点进行句子解释；该方法对推荐的兴趣点的不同影响因素进行分析，在既保证推荐模型的准确率的同时，又保证了解释的合理性。

Description

一种面向兴趣点推荐的可解释生成方法

技术领域

本发明涉及社交网络以及兴趣点推荐技术领域，尤其涉及一种面向兴趣点推荐的可解释生成方法。

背景技术

目前，为了提高用户对兴趣点推荐模型的信任，越来越多的关注在于给推荐的兴趣点生成解释。在兴趣点推荐模型中提供适当的解释，除了能更好的说服用户接受推荐的结果，也可以帮助推荐系统提高可信度、帮助用户更好的做出决定、甚至帮助用户节省时间。因为从一个兴趣点到另一个兴趣点通常会消耗一定的时间与费用。此外，在兴趣点推荐中提供解释，可以帮助用户更好地了解不同兴趣点之间的关系，帮助用户提前、更好地规划路线。

随着兴趣点推荐领域的不断发展，大多数兴趣点推荐都采用深度学习的方法训练模型以提升兴趣点推荐的准确性，但深度学习的推荐算法对于用户来说如同一个黑盒子很难探究其部的工作原理，因此在维持推荐模型准确率的同时，增加兴趣点的解释还是面临着很多困难。现有的一些方法只是针对用户兴趣点的评论信息生成解释，这种解释方法很难控制解释的方向，会使得推荐的结果不可控，不能针对兴趣点推荐模型做出合理、有效的解释。

在日常生活中，用户签到兴趣点时会受到不同因素的影响，不同时刻的影响因素对用户选择签到兴趣点来说有着不同程度的影响。用户希望推荐模型在给出推荐兴趣点后，能将起到主要影响的影响因素直观的展现给自己，以便更好地在推荐列表中选择自己感兴趣的兴趣点。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种面向兴趣点推荐的可解释生成方法，对兴趣点推荐的结果产生一种文本解释，在保证推荐模型准确率的同时，提高用户对推荐模型的信任。

为解决上述技术问题，本发明所采取的技术方案是：一种面向兴趣点推荐的可解释生成方法，具体为：

根据兴趣点推荐模型获取用户ID及推荐的兴趣点，以及兴趣点对应的影响因素；

确定影响兴趣点推荐的主要影响因素；

基于主要影响因素对推荐的兴趣点进行句子解释。

进一步地，所述确定影响兴趣点推荐的主要影响因素的具体方法为：

计算各影响因素之间的影响权重值；

根据影响因素之间的影响权重值，将影响因素进行融合得到融合后的影响因素；

通过注意力机制判断出影响兴趣点推荐的主要影响因素。

进一步地，所述计算各影响因素之间的影响权重值的具体方法为：

将n个影响兴趣点P推荐的影响因素f₁、f₂、…、f_n嵌入成相应的影响因素的向量矩阵F＝[f1、f2、…、f_n]；

对每两个影响因素向量进行投影，计算影响因素之间的影响权重，如下公式所示：

其中，m_ij表示影响因素f_i、fj之间的影响权重值，i＝1、2、…、n，j＝1、2、…、n；

进一步地，所述根据影响因素之间的影响权重值，将影响因素进行融合得到融合后的影响因素的具体方法为：

(1)将计算出来的影响因素之间的影响权重组成一个成对标量投影矩阵M；

(2)根据兴趣点的影响因素之间的标量投影，进行兴趣点影响因素之间的融合；

不考虑标量投影矩阵中主对角线的值，获取标量投影矩阵M中每行的最大值及其对应的下标；然后将影响最大的影响权重对应的影响因素与原影响因素进行融合，得到融合后的影响因素，如下公式所示：

其中，f_ij代表影响因素f_i、f_j之间融合后的影响因素，

代表权重标量投影矩阵中第i行的最大值，f_i代表原影响因素，f_j代表对原影响因素产生最大影响的影响因素。

进一步地，所述通过注意力机制判断出影响兴趣点推荐的主要影响因素的具体方法为：

步骤S1、将多个融合后的影响因素与推荐的兴趣点进行相似性学习，得到融合后的影响因素与推荐的兴趣点间的相似性权重；

步骤S2、对得到的相似性权重值进行验证；

步骤S3、根据通过验证的相似性权重值，确定影响兴趣点推荐的主要影响因素；

判断出相似性权重中的最大值，并获取该值对应的融合后的影响因素；再通过融合后的影响因素的下标识别出对应的构成该融合后的影响因素的两个影响因素，这两个影响因素即为影响兴趣点推荐的主要影响因素。

进一步地，所述步骤S1的具体方法为：

首先将融后的影响因素作为推荐的兴趣点P的嵌入矩阵F_ij＝[f1j、f2j、…、fij]^T，兴趣点P与融合后的影响因素的相似度的最大化目标为：

其中，a_i为融合后的影响因素f_ij与推荐的兴趣点P之间的相似性权重值；

根据兴趣点P与融合后的影响因素的相似度的最大化目标公式，得到由n个相似性权重值构成的权重集a＝(a1,a2,...,a_n)。

进一步地，所述步骤S2的具体方法为：

将学习到的相似性权重值和融合后的影响因素对兴趣点P进行重构，将重构的兴趣点表示为

通过最小化||p-s₁||²判断兴趣点P和重构的兴趣点s1是否相同，若相同，执行步骤S3，否则重新学习相似权重值。

进一步地，所述基于主要影响因素对推荐的兴趣点进行句子解释的具体方法为：

采用设定好的句子模板，根据兴趣点推荐模型给每个用户推荐的兴趣点做解释，如下所示：

用户[u][s]访问兴趣点[p]，主要是因为[f₁、f₂]的影响。

其中，[u]为被推荐的用户编号；[s]表示情感描述，代表推荐模型推荐给用户签到兴趣点p的可能性；[p]代表推荐模型推荐的兴趣点列表中的一个兴趣点；[f1、f2]代表进行解释的兴趣点的主要影响因素。

进一步地，所述情感描述[s]的取值根据兴趣点推荐模型中推荐列表中TopN中N的离散取值确定，如下公式所示：

其中，N＝3代表用户很可能访问兴趣点推荐模型推荐的兴趣点，N＝5代表用户可能访问推荐的兴趣点。

采用上述技术方案所产生的有益效果在于：本发明提供的一种面向兴趣点推荐的可解释生成方法，对推荐的兴趣点的不同影响因素进行分析，在既保证推荐模型的准确率的同时，又保证了解释的合理性，对影响兴趣点推荐的影响因素进行分析后对用户生成文本解释，提升了用户对推荐模型的信任度。该发明适用于任何一种兴趣点推荐模型，与推荐模型相互独立，增强了推荐模型的透明度。

附图说明

图1为本发明实施例提供的一种面向兴趣点推荐的可解释生成方法的流程图；

图2为本发明实施例提供的一种面向兴趣点推荐的可解释生成方法的实施过程示意图；

图3为本发明实施例提供的影响因素投影原理图；

图4为本发明实施例提供的通过注意力机制识别出影响兴趣点推荐的主要影响因素的过程示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例以某兴趣点推荐模型给用户1在兴趣点序列top 3中推荐的兴趣点p1为例，采用本发明的面向兴趣点推荐的可解释生成方法生成该兴趣点推荐模型向用户1推荐的兴趣点p1的解释。本实施例中，一种面向兴趣点推荐的可解释生成方法，如图1、2所示，包括以下步骤：

步骤1、根据兴趣点推荐模型获取用户ID及推荐的兴趣点，根据推荐的兴趣点获取到其对应的影响因素；

本实施例是在兴趣点推荐模型中考虑众多影响因素的前提下进行的。采用的兴趣点推荐模型是一个融合区域与朋友影响的下一兴趣点推荐模型，它综合考虑了用户兴趣偏好、朋友之间的影响、兴趣点之间的影响以及兴趣点所属区域之间的影响。以区域和朋友影响因素为例，用户访问兴趣点时会考虑朋友的推荐以及当时所属区域的影响，当两个影响因素一起对用户签到兴趣点产生影响时，则根据用户当前所属的区域以及用户的多个朋友推荐的兴趣点的重合位置进行推荐。因此，每个影响因素是否会成为主要影响因素在很大程度上取决于其他影响因素对它的标量投影。

步骤2：确定影响兴趣点推荐的主要影响因素：

在兴趣点推荐模型中，会考虑到用户选择签到兴趣点时受到的众多因素的影响，但用户并不知道推荐模型主要是因为受到哪些因素的影响才将某一兴趣点推荐给自己。因此对推荐的兴趣点进行影响因素的分析显得尤为重要。考虑到影响因素之间不是独立存在的，用户在选择签到兴趣点时影响因素之间也会相互产生影响，所以要考虑到某一兴趣点的影响因素之间的影响。首先将影响兴趣点推荐的每个影响因素都嵌入成向量的形式；根据每个影响因素的向量投影，如图3所示，计算出影响因素之间的影响权重值；根据影响因素之间的影响权重值，构造兴趣点影响因素之间的成对标量投影矩阵；然后，选出标量投影矩阵中每行的最大影响权重值，将其与投影的原影响因素进行融合得到融合的影响因素；最后将融合后的影响因素与推荐的兴趣点通过注意力机制判断出影响兴趣点推荐的主要影响因素；

步骤2.1：构造兴趣点影响因素之间的标量投影矩阵；

每一个用户每一时刻推荐的兴趣点的影响因素都有着自己独特的权重。因此我们的目标是识别出推荐模型中推荐的兴趣点主要受到哪些影响因素的影响。考虑到影响因素之间的影响也会对影响因素本身产生影响，为此我们首先将n个影响兴趣点P推荐的影响因素f₁、f₂、…、f_n嵌入成相应的影响因素的向量矩阵F＝[f1、f2、…、f_n]；然后对每两个影响因素向量进行投影，计算影响因素之间的影响权重，如下公式所示：

其中，m_ij表示影响因素f_i、fj之间的影响权重值，i＝1、2、…、n，j＝1、2、…、n；

将计算出来的影响因素之间的影响权重组成一个成对标量投影矩阵M；

步骤2.2：根据兴趣点影响因素之间的标量投影，进行兴趣点影响因素之间的融合；

其他影响因素在主要影响因素中应该占有很高的权重值，考虑到影响因素向自身投影权重值为1的问题，因此不考虑标量投影矩阵中主对角线的值，获取标量投影矩阵M中每行的最大值及其对应的下标；然后将影响最大的影响权重对应的影响因素与原影响因素进行融合，得到融合后的影响因素，如下公式所示：

其中，f_ij代表影响因素f_i、f_j之间融合后的影响因素，

代表权重标量投影矩阵中第i行的最大值，f_i代表原影响因素，f_j代表对原影响因素产生最大影响的影响因素；

步骤2.3：通过注意力机制识别出影响兴趣点推荐的主要影响因素，如图4所示；

融合后的影响因素与推荐的兴趣点应该有很大的相似性，因此在此步骤中我们将采用注意力机制为融合后的影响因素分配权重；通过权重的大小确定最主要的影响因素，可以帮助用户在选择兴趣点时忽略不重要的影响因素，减少了噪声和冗余。

步骤2.3.1、将多个融合后的影响因素与推荐的兴趣点进行相似性学习，得到融合后的影响因素与推荐的兴趣点间的相似性权重；

首先将融后的影响因素作为推荐的兴趣点P的嵌入矩阵F_ij＝[f_1j、f_2j、…、f_ij]^T，兴趣点P与融合后的影响因素的相似度的最大化目标为：

其中，a_i为融合后的影响因素f_ij与推荐的兴趣点P之间的相似性权重值；

根据兴趣点P与融合后的影响因素的相似度的最大化目标公式，得到由n个相似性权重值构成的权重集a＝(a₁,a₂,...,a_n)；

步骤2.3.2、对得到的相似性权重值进行验证；

将学习到的相似性权重值和融合后的影响因素对兴趣点P进行重构，将重构的兴趣点表示为

通过最小化||p-s₁||²判断兴趣点P和重构的兴趣点s₁是否相同，若相同，执行步骤2.3.3，否则重新学习相似权重值；

步骤2.3.3、根据通过验证的相似性权重值，确定影响兴趣点推荐的主要影响因素；

判断出相似性权重集中的最大值，并获取该值对应的融合后的影响因素；再通过融合后的影响因素的下标识别出对应的构成该融合后的影响因素的两个影响因素，这两个影响因素即为影响兴趣点推荐的主要影响因素；

本实施例首先获取到兴趣点p₁的影响因素，它分别受到用户的兴趣偏好、兴趣点、兴趣点所属区域以及朋友的影响。将四种影响因素嵌入成向量的形式，接着根据公式(1)得到每两个影响因素之间的影响权重值，将计算出来的影响权重值组成一个成对的标量投影矩阵M，在矩阵M中每一行(列)的影响因素向量分别是用户的兴趣偏好、兴趣点、兴趣点所属区域以及朋友。本实施例通过投影计算得到用户1的成对标量投影矩阵M为：

然后，分别识别出在成对标量投影矩阵M中除对角线元素之外每行的最大值，本实施例中，第一行中的最大值为0.15，代表兴趣点所属区域对用户兴趣点偏好产生0.15的影响；第二行中的最大值为0.26，代表朋友对兴趣点产生0.26的影响；第三行中的最大值为0.2，代表兴趣点对兴趣点所属区域产生0.2的影响；第四行中的最大值为0.26，代表用户自身偏好对兴趣点所属区域产生0.26的影响；然后将每行识别出来的最大的权重值所对应的影响因素进行向量的融合。以第一行为例，将成对标量投影矩阵中第一行识别出来的最大权重值与兴趣点所属区域向量相乘，并与用户原兴趣偏好拼接，将拼接后的影响因素向量表示为f₁₃。以此类推，每行融合后的影响因素可以表示为f₂₄、f₃₂、f₄₂。最后使用注意力机制将融合后的影响因素与推荐模型推荐的兴趣点进行相似性计算，选出一个与推荐的兴趣点P1相似性最大的融合后的影响因素。这个融合后的影响因素将会对兴趣点产生较大的影响。本实施例通过可解释生成方法的不断学习，得到推荐模型对用户1产生较大影响的影响因素为兴趣点和朋友的影响。

步骤3：采用设定好的句子模板，基于主要影响因素对推荐的兴趣点进行个性化句子解释；

在预先设定好的句子模板中，根据推荐模型给每个用户推荐的兴趣点做个性化的解释，具体的句子模板如下所示：

用户[u][s]访问兴趣点[p]，主要是因为[f₁、f₂]的影响。

基于句子模板的可解释可以直观的告诉用户，推荐模型在该时刻将某一兴趣点推荐给用户，主要是因为受到哪个因素的影响。根据步骤1获取到的推荐结果以及步骤2中确定的影响兴趣点推荐的主要影响因素来填补设定好的句子模板中的[]，其中[u]代表的是在推荐模型中，模型针对哪位用户进行推荐，因此u是从兴趣点推荐模型中获取的，其值为被推荐的用户编号；为了能够较为准确的给用户呈现推荐模型推荐的兴趣点，在解释时我们将引入[s]表示情感描述，代表推荐模型推荐给用户签到兴趣点p的可能性；情感描述s取值是根据兴趣点推荐模型中推荐列表中TopN中N的离散取值确定的，如下公式所示：

其中，N＝3代表用户很可能访问兴趣点推荐模型推荐的兴趣点，N＝5代表用户可能访问推荐的兴趣点；

在个性化解释的句子模板中，[p]代表推荐模型推荐的兴趣点列表中的一个兴趣点，因此p也是从兴趣点推荐模型中获取的；我们将会对推荐列表中的每个兴趣点都进行可解释，其中p的取值为当前进行解释的兴趣点编号。[f1、f2]代表的是进行解释的兴趣点的主要影响因素，其值是根据步骤2影响兴趣点推荐的主要影响因素得到的。

在此步骤中，要用到步骤中2中识别出来的影响因素和步骤1获取的兴趣点推荐模型的推荐结果、用户id，并且为了使解释的文本更具有真实性，还要获取到推荐列表中的top值。本实施例中，该兴趣点推荐模型给用户1在兴趣点序列top 3中推荐的兴趣点p₁的解释文本可以表示为：

用户u1很可能访问兴趣点p₁，主要是因为兴趣点和朋友的影响。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (9)

1.一种面向兴趣点推荐的可解释生成方法，其特征在于：

根据兴趣点推荐模型获取用户ID及推荐的兴趣点，以及兴趣点对应的影响因素；

确定影响兴趣点推荐的主要影响因素；

基于主要影响因素对推荐的兴趣点进行句子解释。

2.根据权利要求1所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述确定影响兴趣点推荐的主要影响因素的具体方法为：

计算各影响因素之间的影响权重值；

根据影响因素之间的影响权重值，将影响因素进行融合得到融合后的影响因素；

通过注意力机制判断出影响兴趣点推荐的主要影响因素。

3.根据权利要求2所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述计算各影响因素之间的影响权重值的具体方法为：

将n个影响兴趣点P推荐的影响因素f₁、f₂、…、f_n嵌入成相应的影响因素的向量矩阵F＝[f₁、f₂、…、f_n]；

对每两个影响因素向量进行投影，计算影响因素之间的影响权重，如下公式所示：

其中，m_ij表示影响因素f_i、f_j之间的影响权重值，i＝1、2、…、n，j＝1、2、…、n。

4.根据权利要求3所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述根据影响因素之间的影响权重值，将影响因素进行融合得到融合后的影响因素的具体方法为：

(1)将计算出来的影响因素之间的影响权重组成一个成对标量投影矩阵M；

(2)根据兴趣点的影响因素之间的标量投影，进行兴趣点影响因素之间的融合；

不考虑标量投影矩阵中主对角线的值，获取标量投影矩阵M中每行的最大值及其对应的下标；然后将影响最大的影响权重对应的影响因素与原影响因素进行融合，得到融合后的影响因素，如下公式所示：

其中，f_ij代表影响因素f_i、f_j之间融合后的影响因素，

代表权重标量投影矩阵中第i行的最大值，f_i代表原影响因素，f_j代表对原影响因素产生最大影响的影响因素。

5.根据权利要求4所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述通过注意力机制判断出影响兴趣点推荐的主要影响因素的具体方法为：

步骤S1、将多个融合后的影响因素与推荐的兴趣点进行相似性学习，得到融合后的影响因素与推荐的兴趣点间的相似性权重；

步骤S2、对得到的相似性权重值进行验证；

步骤S3、根据通过验证的相似性权重值，确定影响兴趣点推荐的主要影响因素；

判断出相似性权重中的最大值，并获取该值对应的融合后的影响因素；再通过融合后的影响因素的下标识别出对应的构成该融合后的影响因素的两个影响因素，这两个影响因素即为影响兴趣点推荐的主要影响因素。

6.根据权利要求5所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述步骤S1的具体方法为：

首先将融后的影响因素作为推荐的兴趣点P的嵌入矩阵F_ij＝[f_1j、f_2j、…、f_ij]^T，兴趣点P与融合后的影响因素的相似度的最大化目标为：

其中，a_i为融合后的影响因素f_ij与推荐的兴趣点P之间的相似性权重值；

根据兴趣点P与融合后的影响因素的相似度的最大化目标公式，得到由n个相似性权重值构成的权重集a＝(a₁,a₂,...,a_n)。

7.根据权利要求6所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述步骤S2的具体方法为：

将学习到的相似性权重值和融合后的影响因素对兴趣点P进行重构，将重构的兴趣点表示为

通过最小化||p-s₁||²判断兴趣点P和重构的兴趣点s₁是否相同，若相同，执行步骤S3，否则重新学习相似权重值。

8.根据权利要求1所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述基于主要影响因素对推荐的兴趣点进行句子解释的具体方法为：

采用设定好的句子模板，根据兴趣点推荐模型给每个用户推荐的兴趣点做解释，如下所示：

用户[u][s]访问兴趣点[p]，主要是因为[f₁、f₂]的影响。

其中，[u]为被推荐的用户编号；[s]表示情感描述，代表推荐模型推荐给用户签到兴趣点p的可能性；[p]代表推荐模型推荐的兴趣点列表中的一个兴趣点；[f1、f2]代表进行解释的兴趣点的主要影响因素。

9.根据权利要求8所述的一种面向兴趣点推荐的可解释生成方法，其特征在于：所述情感描述[s]的取值根据兴趣点推荐模型中推荐列表中Top N中N的离散取值确定，如下公式所示：

其中，N＝3代表用户很可能访问兴趣点推荐模型推荐的兴趣点，N＝5代表用户可能访问推荐的兴趣点。

Images