CN113486242A - 一种基于推荐系统的无侵入个性化解释方法及系统 - Google Patents
一种基于推荐系统的无侵入个性化解释方法及系统 Download PDFInfo
- Publication number
- CN113486242A CN113486242A CN202110787265.0A CN202110787265A CN113486242A CN 113486242 A CN113486242 A CN 113486242A CN 202110787265 A CN202110787265 A CN 202110787265A CN 113486242 A CN113486242 A CN 113486242A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- recommendation system
- user
- side information
- importance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于推荐系统的无侵入个性化解释方法,获取推荐系统的召回策略、用户侧信息,以及根据用户侧信息由召回策略所推选出的物品侧信息,对用户侧信息和物品侧信息进行特征提取,并根据召回策略计算特征的重要性,对特征的重要性进行排序,并根据排序结果提取多个重要征特,根据重要特征,配置话术模板,融合特征和话术模板,生成推荐原因解释;本发明可在推荐系统的基础上,对推荐系统中的用户侧信息和物品侧信息进行特征提取,进一步在对提取的特征进行处理后,可生成与推荐系统推送给用户的物品相匹配的解释原因,可提高该系统的可解释性,大幅度增加用户的使用体验。
Description
技术领域
本发明涉及一种基于推荐系统的无侵入个性化解释方法及系统,属于电子商务技术领域。
背景技术
在电子商务推荐系统中,其往往只会简单地给出“购买了该产品的用户也购买了”等简单的模板式推荐理由;在社交网站下相关的推荐系统中,则可以看到诸如“你的好友也查看了该内容”等基于社交关系的推荐理由,然而,过度简化的一成不变的推荐理由难以为用户提供个性化的解释,降低了用户对推荐理由的信任度。
传统的推荐算法,比如协同过滤,logistic回归等线性模型,都具备良好的可解释性,但随着深度学习在推荐领域的应用,使用深度网络,广度网络进行点击率预估的方法逐渐成为当前商用推荐系统的主流方案,由于深度学习的“黑盒”特性,基于深度学习的推荐系统的可解释往往非常难。
虽然已经有一些专门为了保证解释性而设计的深度模型,但实际中的应用并不广泛。对于现有的推荐系统,为了提高系统的可解释性,而替换掉算法模型,往往改造的风险和成本都很高。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于推荐系统的无侵入个性化解释方法及系统,以解决现有技术中基于深度学习推荐系统的可解释性很难的技术问题。
为解决上述技术问题,本发明是采用下述技术方案实现的:
一种基于推荐系统的无侵入个性化解释方法,包括:
获取推荐系统的召回策略、用户侧信息,以及根据用户侧信息由召回策略所推选出的物品侧信息;
对用户侧信息和物品侧信息进行特征提取,并根据召回策略计算特征的重要性;
对特征的重要性进行排序,并根据排序结果提取多个重要征特;
根据重要特征,配置话术模板;
融合特征和话术模板,生成推荐原因解释。
作为本发明的一种优选技术方案,所述推荐原因解释通过推荐系统进行生成;
或,通过推荐系统的孪生模型进行生成。
作为本发明的一种优选技术方案,根据召回策略计算特征的重要性包括:
获取推荐系统的编码方式;
选择与推荐系统编码方式对应的特征的重要性计算方式,得到特征的重要性信息。
作为本发明的一种优选技术方案,所述特征的重要性计算方式至少包括对基于one-shot编码的推荐系统进行特征重要性计算,和对基于向量嵌入形式编码的推荐系统进行重要性计算。
作为本发明的一种优选技术方案,对基于one-shot编码的推荐系统进行特征重要性计算的公式为:
其中,s(xi)为特征的总要性,y为点击率预测结果,xi为输入的第i个特征。
作为本发明的一种优选技术方案,对基于向量嵌入形式编码的推荐系统进行重要性计算的公式为:
其中,s(xi)为特征的总要性,y为点击率预测结果;xi为输入的第i个特征;ui为第i个向量。
作为本发明的一种优选技术方案,对所述话术模板和特征提取的优化包括:
将推荐系统根据用户输入信息所生成推荐结果以及根据推荐结果所生成的推荐原因解释同步推送给用户,获取用户反馈信息;
根据用户反馈信息完成对话术模块和特征提取的优化。
作为本发明的一种优选技术方案,所述用户反馈包括正向反馈和负向反馈,所述正向反馈为用户点击推荐结果,所述负向反馈为用户不点击推荐结果。
作为本发明的一种优选技术方案,对获取的用户侧信息和物品侧信息进行特征提取还包括筛除相似的特征。
一种基于推荐系统的无侵入个性化解释系统,所述无侵入个性化解释系统采用无侵入个性化解释方法。
与现有技术相比,本发明所达到的有益效果:
本发明可在推荐系统的基础上,对推荐系统中的用户侧信息和物品侧信息进行特征提取,进一步在对提取的特征进行处理后,可生成与推荐系统推送给用户的物品相匹配的解释原因,可提高该系统的可解释性,大幅度增加用户的使用体验。
附图说明
图1是本发明的流程框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种基于推荐系统的无侵入个性化解释方法,包括:
获取推荐系统的召回策略、用户侧信息,以及根据用户侧信息由召回策略所推选出的物品侧信息;
对用户侧信息和物品侧信息进行特征提取,并根据召回策略计算特征的重要性;
对特征的重要性进行排序,并根据排序结果提取多个重要征特;
根据重要特征,配置话术模板;
融合特征和话术模板,生成推荐原因解释。
召回策略具体指原有推荐系统中的召回引擎和排序引擎,召回引擎具体为推荐系统针对用户所输入的特征进行初步筛选,选取所有符合用户输入特征的数据,而排序引擎具体为对筛选的数据进行二次筛选排序,以实现按照相应顺序推送给用户。
推荐原因解释通过推荐系统进行生成,或通过推荐系统的孪生模型进行生成。
实施例一
直接在原有推荐系统的推荐模型上进行反向传播计算特征重要性,其优势是无须额外消耗计算和存储资源成本,但需要在原有推荐模型和推荐流程上做少量的调整,以支持反向传播计算特征重要性。
实施例二
将原有的推荐系统的点击率推荐模型复制一份,作为推荐系统的模型的孪生模型,当推荐请求到来时,和原有推荐系统推荐模型一样进行前向推断外,同时在该模型上进行反向重要性计算,其优势是对原有推荐系统和推荐逻辑完全解耦,不会有任何效果和效率影响,缺点是需要专门部署一套同样的推荐模型,一定程度上增加了计算和存储资源成本。
用户在实际的使用过程中,可根据需求选择相应的方式进行布置
根据召回策略计算特征的重要性包括:
获取推荐系统的编码方式;
选择与推荐系统编码方式对应的特征的重要性计算方式,得到特征的重要性信息。
特征的重要性计算方式至少包括对基于one-shot编码的推荐系统进行特征重要性计算,和对基于向量嵌入形式编码的推荐系统进行重要性计算。
对基于one-shot编码的推荐系统进行特征重要性计算的公式为:
其中,s(xi)为特征的总要性,y为点击率预测结果,xi为输入的第i个特征。
对基于向量嵌入形式编码的推荐系统进行重要性计算的公式为:
其中,s(xi)为特征的总要性,y为点击率预测结果;xi为输入的第i个特征;ui为第i个向量。
这里主要是针对推荐系统所采用的两种主要编码形式,进一步在使用的过程中,能够根据推荐系统的类型,来采用相应的公式进行重要性计算,可大幅度提高最终所生成的推荐原因的准确性。
对话术模板和特征提取的优化包括:
将推荐系统根据用户输入信息所生成推荐结果以及根据推荐结果所生成的推荐原因解释同步推送给用户,获取用户反馈信息;
根据用户反馈信息完成对话术模块和特征提取的优化。
用户反馈包括正向反馈和负向反馈,正向反馈为用户点击推荐结果,负向反馈为用户不点击推荐结果。
用户的反馈,比如用户点击或者曝光后不点击推荐结果,我们认为不仅仅是对推荐结果的反馈,同时也是对推荐原因的反馈,如果用户的反馈是正向的,也就说用户点击了推荐的结果,除了和传统推荐系统一样更新用户画像和推荐模型外,我们会使用这个反馈调整话术模板选择模型或者话术模板选择规则,以实现在不断更新中,能够给用户推送更加合理的推荐原因解释。
对获取的用户侧信息和物品侧信息的特征提取还包括筛除相似的特征。
这里主要是避免相似的特征会影响到最终推荐原因解释的生成。
一种基于推荐系统的无侵入个性化解释系统,无侵入个性化解释系统采用无侵入个性化解释方法。
其整体主要包括特征重要性提取模块、推荐原因生成模块、话术模板管理模块和推荐模块。
特征重要性提取模块,用于提取用户侧信息和物品侧信息的特征,并针对所提取的特征进行重要性计算,同时兼具着后续对所提取特征的重要性进行排序,以及根据排序结果提取多个重要性征特。
推荐原因生成模块和话术管理模块,用于配合对所提取的重要性特征进行处理,生成相应的推荐原因解释,推荐原因解释模块用于维护话术模板,此模板为人工配制,即在输入相应的关键特征后,能够基于预先设定的规则进行填充,生成自然语言形式的原因解释,其具体可采用与根据关键词生成相应语句相似的系统,为现有技术。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于推荐系统的无侵入个性化解释方法,其特征在于,包括:
获取推荐系统的召回策略、用户侧信息,以及根据用户侧信息由召回策略所推选出的物品侧信息;
对用户侧信息和物品侧信息进行特征提取,并根据召回策略计算特征的重要性;
对特征的重要性进行排序,并根据排序结果提取多个重要征特;
根据重要特征,配置话术模板;
融合特征和话术模板,生成推荐原因解释。
2.根据权利要求1所述的一种基于推荐系统的无侵入个性化解释方法,其特征在于,所述推荐原因解释通过推荐系统进行生成;
或,通过推荐系统的孪生模型进行生成。
3.根据权利要求1所述的一种基于推荐系统的无侵入个性化解释方法,其特征在于,根据召回策略计算特征的重要性包括:
获取推荐系统的编码方式;
选择与推荐系统编码方式对应的特征的重要性计算方式,得到特征的重要性信息。
4.根据权利要求3所述的一种基于推荐系统的无侵入个性化解释方法,其特征在于,所述特征的重要性计算方式至少包括对基于one-shot编码的推荐系统进行特征重要性计算,和对基于向量嵌入形式编码的推荐系统进行重要性计算。
7.根据权利要求1所述的一种基于推荐系统的无侵入个性化解释方法,其特征在于,对所述话术模板和特征提取的优化包括:
将推荐系统根据用户输入信息所生成推荐结果以及根据推荐结果所生成的推荐原因解释同步推送给用户,获取用户反馈信息;
根据用户反馈信息完成对话术模块和特征提取的优化。
8.根据权利要求7所述的一种基于推荐系统的无侵入个性化解释方法,其特征在于,所述用户反馈包括正向反馈和负向反馈,所述正向反馈为用户点击推荐结果,所述负向反馈为用户不点击推荐结果。
9.根据权利要求1所述的一种基于推荐系统的无侵入个性化解释方法,其特征在于,对获取的用户侧信息和物品侧信息的特征提取还包括筛除相似的特征。
10.一种基于推荐系统的无侵入个性化解释系统,其特征在于,所述无侵入个性化解释系统采用权利要求1至9中任意一项所述的无侵入个性化解释方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787265.0A CN113486242A (zh) | 2021-07-13 | 2021-07-13 | 一种基于推荐系统的无侵入个性化解释方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787265.0A CN113486242A (zh) | 2021-07-13 | 2021-07-13 | 一种基于推荐系统的无侵入个性化解释方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486242A true CN113486242A (zh) | 2021-10-08 |
Family
ID=77938897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110787265.0A Pending CN113486242A (zh) | 2021-07-13 | 2021-07-13 | 一种基于推荐系统的无侵入个性化解释方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486242A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220865A (zh) * | 2017-04-11 | 2017-09-29 | 北京小度信息科技有限公司 | 对象推荐方法及装置 |
CN109902833A (zh) * | 2018-12-05 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 机器学习模型解释方法以及装置 |
CN110110139A (zh) * | 2019-04-19 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 一种对推荐结果进行解释的方法、装置及电子设备 |
CN111259238A (zh) * | 2020-01-13 | 2020-06-09 | 山西大学 | 一种基于矩阵分解的事后可解释性推荐方法及装置 |
CN112435103A (zh) * | 2020-12-18 | 2021-03-02 | 东北大学 | 一种事后多样性解释的智能推荐方法及系统 |
CN112925978A (zh) * | 2021-02-26 | 2021-06-08 | 北京百度网讯科技有限公司 | 一种推荐系统评测方法、装置、电子设备和存储介质 |
-
2021
- 2021-07-13 CN CN202110787265.0A patent/CN113486242A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220865A (zh) * | 2017-04-11 | 2017-09-29 | 北京小度信息科技有限公司 | 对象推荐方法及装置 |
CN109902833A (zh) * | 2018-12-05 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 机器学习模型解释方法以及装置 |
CN110110139A (zh) * | 2019-04-19 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 一种对推荐结果进行解释的方法、装置及电子设备 |
CN111259238A (zh) * | 2020-01-13 | 2020-06-09 | 山西大学 | 一种基于矩阵分解的事后可解释性推荐方法及装置 |
CN112435103A (zh) * | 2020-12-18 | 2021-03-02 | 东北大学 | 一种事后多样性解释的智能推荐方法及系统 |
CN112925978A (zh) * | 2021-02-26 | 2021-06-08 | 北京百度网讯科技有限公司 | 一种推荐系统评测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862087B (zh) | 基于大数据和深度学习的情感分析方法、装置和存储介质 | |
CN112507248A (zh) | 一种基于用户评论数据和信任关系的旅游景点推荐方法 | |
CN106021364A (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
CN107943897B (zh) | 一种用户推荐方法 | |
CN105117428A (zh) | 一种基于词语对齐模型的web评论情感分析方法 | |
CN109492678B (zh) | 一种集成浅层和深度学习的App分类方法 | |
CN107657284A (zh) | 一种基于语义相似性扩展的商品名称分类方法及系统 | |
CN111061962A (zh) | 一种基于用户评分分析的推荐方法 | |
CN107704500B (zh) | 一种基于语义分析与多重余弦定理的新闻分类方法 | |
CN109726394A (zh) | 基于融合btm模型的短文本主题聚类方法 | |
WO2019105235A1 (zh) | 定价方法、装置和计算机可读存储介质 | |
CN107767152A (zh) | 产品购买倾向分析方法及服务器 | |
CN109726331A (zh) | 对象偏好预测的方法、装置和计算机可读介质 | |
CN113222647B (zh) | 基于点击率预估模型的广告推荐方法、系统及存储介质 | |
CN114781503A (zh) | 一种基于深度特征融合的点击率预估方法 | |
CN110083676A (zh) | 一种基于短文本的领域动态跟踪方法 | |
Baran et al. | Forecasting Hungarian mortality rates using the Lee-Carter method | |
CN111815066B (zh) | 一种基于梯度提升决策树的用户点击预测方法 | |
CN113486242A (zh) | 一种基于推荐系统的无侵入个性化解释方法及系统 | |
CN117034921B (zh) | 一种基于用户数据的提示学习训练方法、装置和介质 | |
CN117473036A (zh) | 一种企业信息抽取方法、图谱构建方法及系统、存储介质 | |
CN110377841B (zh) | 一种应用在协同过滤方法中的相似度计算方法及系统 | |
CN117093849A (zh) | 一种基于自动生成模型的数字矩阵特征分析方法 | |
CN115578205A (zh) | 一种基于glm及机器学习算法的车险纯风险保费预测方法及装置 | |
CN114819152A (zh) | 一种基于强化学习增强的图嵌入专家实体对齐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |
|
RJ01 | Rejection of invention patent application after publication |