CN114491261B - 用于获得推荐解释的方法、设备和计算机可读介质 - Google Patents

用于获得推荐解释的方法、设备和计算机可读介质 Download PDF

Info

Publication number
CN114491261B
CN114491261B CN202210099915.7A CN202210099915A CN114491261B CN 114491261 B CN114491261 B CN 114491261B CN 202210099915 A CN202210099915 A CN 202210099915A CN 114491261 B CN114491261 B CN 114491261B
Authority
CN
China
Prior art keywords
items
interpretation
recommended
item
articles
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.)
Active
Application number
CN202210099915.7A
Other languages
English (en)
Other versions
CN114491261A (zh
Inventor
姚元舜
王崇
李航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Youzhuju Network Technology Co Ltd
Lemon Inc Cayman Island
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
Lemon Inc Cayman Island
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Youzhuju Network Technology Co Ltd, Lemon Inc Cayman Island filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202210099915.7A priority Critical patent/CN114491261B/zh
Publication of CN114491261A publication Critical patent/CN114491261A/zh
Priority to PCT/CN2023/070406 priority patent/WO2023142927A1/zh
Application granted granted Critical
Publication of CN114491261B publication Critical patent/CN114491261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种用于获得推荐解释的方法、设备和计算机可读介质。该方法包括：利用推荐模型生成推荐物品；计算该多个解释物品与推荐物品的近似程度；从该多个解释物品中获取预定数量的解释物品，该预定数量的解释物品与推荐物品的近似程度大于其他解释物品与推荐物品的近似程度，其中，预定数量的解释物品作为推荐物品的推荐解释；和输出该预定数量的解释物品的标识信息。

Description

用于获得推荐解释的方法、设备和计算机可读介质
技术领域
本公开涉及推荐解释技术领域，特别涉及一种用于获得推荐解释的方法、设备和计算机可读介质。
背景技术
推荐需要可解释是业界对推荐的新要求，也是技术发展的大趋势。推荐系统的可解释性研究致力于找到能够让用户主观上满意的推荐介绍。由于用户满意度是一个主观的概念，目前的推荐系统对于生成的解释的评估方式主要依赖于用户调研，一般比较昂贵，耗时也比较长。因此，推荐系统可解释性的评估和生成仍然需要进一步改进。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
根据本公开的一些实施例，提供了一种用于获得推荐解释的方法，包括：利用推荐模型生成推荐物品；计算多个解释物品与所述推荐物品的近似程度；从所述多个解释物品中获取预定数量的解释物品，所述预定数量的解释物品与所述推荐物品的近似程度大于其他解释物品与所述推荐物品的近似程度，其中，所述预定数量的解释物品作为所述推荐物品的推荐解释；和输出所述预定数量的解释物品的标识信息。
根据本公开的另一些实施例，提供了一种用于获得推荐解释的装置，包括：生成单元，用于利用推荐模型生成推荐物品；计算单元，用于计算多个解释物品与所述推荐物品的近似程度；获取单元，用于从所述多个解释物品中获取预定数量的解释物品，所述预定数量的解释物品与所述推荐物品的近似程度大于其他解释物品与所述推荐物品的近似程度，其中，所述预定数量的解释物品作为所述推荐物品的推荐解释；和输出单元，用于输出所述预定数量的解释物品的标识信息。
根据本公开的另一些实施例，提供了一种电子设备，包括：存储器；和耦接至所述存储器的处理器，所述存储器中存储有指令，所述指令当由所述处理器执行时，使得所述电子设备执行本公开中所述的任一实施例的方法。
根据本公开的另一些实施例，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序由处理器执行时实现本公开中所述的任一实施例的方法。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征、方面及其优点将会变得清楚。
附图说明
下面参照附图说明本公开的优选实施例。此处所说明的附图用来提供对本公开的进一步理解，各附图连同下面的具体描述一起包含在本说明书中并形成说明书的一部分，用于解释本公开。应当理解的是，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开构成限制。在附图中：
图1是示出根据本公开一些实施例的推荐系统生成推荐解释的流程图；
图2是示出根据本公开一些实施例的用于获得推荐解释的方法的流程图；
图3是示出根据本公开另一些实施例的用于获得推荐解释的方法的流程图；
图4是示出根据本公开另一些实施例的用于获得推荐解释的方法的流程图；
图5是示出根据本公开一些实施例的量化解释的反事实的程度的示意图；
图6是示出根据本公开另一些实施例的用于获得推荐解释的方法的流程图；
图7是示出根据本公开一些实施例的用于获得推荐解释的装置的结构框图；
图8是示出根据本公开一些实施例的电子设备的框图；
图9是示出根据本公开的实施例的中可采用的计算机系统的示例结构的框图。
应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不一定是按照实际的比例关系绘制的。在各附图中使用了相同或相似的附图标记来表示相同或者相似的部件。因此，一旦某一项在一个附图中被定义，则在随后的附图中可能不再对其进行进一步讨论。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，但是显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对实施例的描述实际上也仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值应被解释为仅仅是示例性的，不限制本公开的范围。
本公开中使用的术语“包括”及其变型意指至少包括后面的元件/特征、但不排除其他元件/特征的开放性术语，即“包括但不限于”。此外，本公开使用的术语“包含”及其变型意指至少包含后面的元件/特征、但不排除其他元件/特征的开放性术语，即“包含但不限于”。因此，包括与包含是同义的。术语“基于”意指“至少部分地基于”。
整个说明书中所称“一个实施例”、“一些实施例”或“实施例”意味着与实施例结合描述的特定的特征、结构或特性被包括在本发明的至少一个实施例中。例如，术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。而且，短语“在一个实施例中”、“在一些实施例中”或“在实施例中”在整个说明书中各个地方的出现不一定全都指的是同一个实施例，但是也可以指同一个实施例。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。除非另有指定，否则“第一”、“第二”等概念并非意图暗示如此描述的对象必须按时间上、空间上、排名上的给定顺序或任何其他方式的给定顺序。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面结合附图对本公开的实施例进行详细说明，但是本公开并不限于这些具体的实施例。下面这些具体实施例可以相互结合，对于相同或者相似的概念或过程可能在某些实施例不再赘述。此外，在一个或多个实施例中，特定的特征、结构或特性可以由本领域的普通技术人员从本公开将清楚的任何合适的方式组合。
图1是示出根据本公开一些实施例的推荐系统生成推荐解释的流程图。
假设推荐系统里有m(m为正整数)个用户：用户集合U＝{u1,…,um},n(n为正整数)个物品：物品集合I＝{i1,…,in}，以及过去所有的用户与物品的交互历史:对于用户u,其交互历史为Iu＝{i∈I:(u,i)∈S}，即Iu为I的子集，Iu为用户u交互过的所有物品的集合。如图1所示，假设推荐模型θ推荐物品i给用户u,推荐系统可以给用户u展示一部分之前交互过的物品/>作为推荐解释。
图2是示出根据本公开一些实施例的用于获得推荐解释的方法的流程图。如图2所示，该方法包括步骤S202至S208。
在步骤S202，利用推荐模型生成推荐物品。例如，向推荐模型输入多个解释物品的标识信息(即ID信息)，以生成推荐物品。
这里，推荐物品为推荐给用户的物品，解释物品为用于解释将物品推荐给用户的原因的物品。推荐模型可以采用已知的推荐模型。
在步骤S204，计算多个解释物品与推荐物品的近似程度。
在一些实施例中，可以利用特征向量空间中的欧式距离表征解释物品与推荐物品的近似程度。
例如，上述步骤S204可以包括：从推荐模型获取所述多个解释物品的每一个的特征向量和推荐物品的特征向量；和计算所述多个解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离，其中，利用欧式距离表征所述多个解释物品的每一个与推荐物品的近似程度，其中，该欧式距离越小，表示该近似程度越大。该实施例实现了利用欧式距离评估解释物品与推荐物品的近似程度，便于在后续步骤中准确地获取合适解释物品，从而为用户更加准确地解释推荐物品。
在另一些实施例中，可以利用反事实近似度(Counterfactual Proximity)表征多个解释物品与推荐物品的近似程度。
在一些实施例中，所述方法可以还包括：在计算所述多个解释物品与推荐物品的近似程度之前，从训练集合中删除多个解释物品的至少一部分，利用训练集合中剩余的物品训练推荐模型；计算每次训练过程中的推荐模型的损失函数值；和将损失函数值最小的推荐模型确定为训练后的推荐模型。例如，训练集合为推荐模型所在的系统(即推荐系统)中所有物品的集合I。
在一些实施例中，利用反事实近似度表征所述多个解释物品与所述推荐物品的近似程度包括：利用训练后的推荐模型，计算所述多个解释物品与所述推荐物品的反事实近似度PC，其中，
其中，i为推荐物品，I为推荐模型所在的系统(即推荐系统)中所有物品的集合，I\{i}为物品集合I中除了推荐物品i之外剩余的物品的集合，f(j；θ′)为利用推荐模型θ′计算的物品j的预测的推荐分数(这里，推荐分数越高代表物品越应该被推荐)，f(i；θ′)为利用推荐模型θ′计算的物品i的预测的推荐分数，θ′为训练后的推荐模型。表示f(j；θ′)的最大值。
上述实施例实现了利用反事实近似度评估解释物品与推荐物品的近似程度，可以便于在后续步骤中准确地获取合适解释物品，从而为用户更加准确地解释推荐物品。
在步骤S206，从多个解释物品中获取预定数量的解释物品，该预定数量的解释物品与推荐物品的近似程度大于其他解释物品与推荐物品的近似程度，其中，该预定数量的解释物品作为推荐物品的推荐解释。
例如，对于利用欧式距离表征解释物品与推荐物品的近似程度的情况，上述步骤S206包括：从所述多个解释物品中选择预定数量的解释物品，该预定数量的解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离小于其他解释物品(即所述多个解释物品除了该预定数量的解释物品之外的其他解释物品)的每一个的特征向量与推荐物品的特征向量之间的欧式距离。
又例如，对于利用反事实近似度表征多个解释物品与推荐物品的近似程度的情况，上述步骤S206包括：在解释物品的预定数量|Eu,i|固定的情况下，遍历(或者表示为/>)个解释物品的组合，计算与每个解释物品的组合对应的反事实近似度，并获得反事实近似度最大的解释物品的组合，其中，Iu为用户u交互过的所有物品的集合，Eu,i为用户交互过的部分物品的集合。
在步骤S208，输出预定数量的解释物品的标识信息。
例如，对于利用欧式距离表征解释物品与推荐物品的近似程度的情况，输出所选择的预定数量的解释物品的标识信息。
又例如，对于利用反事实近似度表征多个解释物品与推荐物品的近似程度的情况，输出反事实近似度最大的解释物品的组合的标识信息。
这里，所输出的预定数量的解释物品即作为推荐物品的解释。
至此，提供了根据本公开一些实施例的用于获得推荐解释的方法。该方法包括：利用推荐模型生成推荐物品；计算多个解释物品与所述推荐物品的近似程度；从所述多个解释物品中获取预定数量的解释物品，预定数量的解释物品与推荐物品的近似程度大于其他解释物品与推荐物品的近似程度，其中，预定数量的解释物品作为推荐物品的推荐解释；和输出该预定数量的解释物品的标识信息。该方法提高了利用解释物品解释推荐物品的准确性，从而可以使得推荐系统为用户更加准确地解释推荐物品。上述方法提高了用户对生成的解释的满意度。
在一些实施例中，所述方法还包括：输出预定数量的解释物品与推荐物品的近似程度。
例如，对于利用欧式距离表征解释物品与推荐物品的近似程度的情况，输出预定数量的解释物品与推荐物品的近似程度包括：计算预定数量的解释物品的特征向量与推荐物品的特征向量之间的欧式距离的平均值；和输出该欧式距离的平均值。
解释物品的特征向量与推荐物品的特征向量之间的欧式距离的平均值d(Eu,i,i)如下：
φ(.)为物品的嵌入空间表征，为解释物品j的特征向量与推荐物品i的特征向量之间的欧式距离。
又例如，对于利用反事实近似度表征多个解释物品与推荐物品的近似程度的情况，输出预定数量的解释物品与推荐物品的近似程度包括：输出反事实近似度的最大值。即，输出反事实近似度最大的解释物品的组合所对应的反事实近似度。
图3是示出根据本公开另一些实施例的用于获得推荐解释的方法的流程图。该方法描述了利用欧式距离表征解释物品与推荐物品的近似程度的方法。如图3所示，该方法包括步骤S302至S310。
在步骤S302，利用推荐模型生成推荐物品。例如，该推荐模型在接收到多个解释物品的标识信息后，可以生成推荐物品。
在步骤S304，从推荐模型获取多个解释物品的每一个的特征向量和推荐物品的特征向量。即，推荐模型除了可以生成推荐物品之外，还可以生成多个解释物品的每一个的特征向量和推荐物品的特征向量。
在步骤S306，计算所述多个解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离，其中，利用欧式距离表征多个解释物品的每一个与推荐物品的近似程度，其中，该欧式距离越小，表示该近似程度越大。
在步骤S308，从多个解释物品中选择预定数量的解释物品，所选择的预定数量的解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离小于其他解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离。
在步骤S310，输出预定数量的解释物品的标识信息和该预定数量的解释物品与推荐物品的近似程度。
例如，计算预定数量的解释物品的特征向量与推荐物品的特征向量之间的欧式距离的平均值，该欧式距离的平均值表征预定数量的解释物品与推荐物品的近似程度；以及输出预定数量的解释物品的标识信息和该欧式距离的平均值。
至此，提供了根据本公开另一些实施例的用于获得推荐解释的方法。在该方法中，通过测量解释物品与推荐物品之间在物品嵌入空间(item embedding space，由推荐模型生成，用特征向量代表物品)的欧式距离来衡量解释物品与推荐物品的近似程度，找到与推荐物品最近的预定数量的解释物品作为推荐解释并输出该推荐解释。这提高了利用解释物品解释推荐物品的准确性，从而可以使得推荐系统为用户更加准确地解释推荐物品。该方法的计算速度比较快，并且提高了用户对生成的解释的满意度。
图4是示出根据本公开另一些实施例的用于获得推荐解释的方法的流程图。该方法描述了利用反事实近似度表征解释物品与推荐物品的近似程度的方法。如图4所示，该方法包括步骤S402至S414。
这里，先结合图5介绍何为反事实，然后再描述图4所示的方法。例如，推荐系统在推荐用户观看某个视频(作为推荐物品)时，系统可能会解释为“你如果过去不看之前的三个视频就不会给你推荐这个视频”。即，给定一个解释Eu,i，可以将该解释在用户交互历史Iu中删除，然后重新训练推荐模型，然后观察模型的预测的推荐分数如何变化。
如图5所示，假设从训练集合中删除Eu,i并重新训练推荐模型。
对于第一种情况，在新的反事实的排序中，如果之前推荐的物品i不能保持原来的首位，那代表Eu,i是反事实的。换而言之，如果没有Eu,i，那么系统就不会给出当前的推荐物品i，因此表明Eu,i对当前的推荐物品i比较重要。因此，Eu,i越是反事实的，推荐物品i越不容易保持首位。
对于第二种情况，在从训练集合中删除Eu,i并重新训练推荐模型后，物品i依然保持首位，则表明Eu,i对当前的推荐物品i不太重要。物品i靠近第2个物品，物品i可能会被第2个物品取代。
这里，利用f(i；θ)代表利用推荐模型θ计算的物品i的预测的推荐分数。本公开的范围并不限于该f(i；θ)的具体形式。定义反事实近似度PC如下：
其中，
其中，i为推荐物品，I为推荐模型所在的系统中所有物品的集合，I\{i}为物品集合I中除了推荐物品i之外剩余的物品的集合，f(j；θ′)为利用推荐模型θ′计算的物品j的预测的推荐分数，f(i；θ′)为利用推荐模型θ′计算的物品i的预测的推荐分数，θ′为训练后的推荐模型；S\{u×Eu,i}为集合S除去{u×Eu,i}后剩余的集合；u×Eu,i表示用户u与部分物品Eu,i(即解释物品集合中的部分解释物品Eu,i)的交互历史；l(u′,i′；θ)为推荐模型的损失函数值，即，将物品i'输入到推荐模型θ后，推荐模型θ在物品i'上的预测评分与物品i'的真实评分的差异所对应的损失函数值。
这里，反事实近似度越大，表示解释物品与推荐物品的近似程度越大，即，利用解释物品解释推荐物品越容易被用户接受。
上面解释了反事实近似度的定义，下面回到图4，结合图4描述根据本公开另一些实施例的用于获得推荐解释的方法。
如图4所示，在步骤S402，利用推荐模型生成推荐物品。
在步骤S404，从训练集合中删除多个解释物品的至少一部分(例如前面所述的Eu,i)，利用训练集合中剩余的物品训练推荐模型。例如，该训练集合为前面所述的集合I。
在步骤S406，计算每次训练过程中的推荐模型的损失函数值。
在步骤S408，将损失函数值最小的推荐模型确定为训练后的推荐模型。这里，步骤S404至步骤S408描述了上述条件3的过程。
在步骤S410，计算多个解释物品与推荐物品的近似程度，其中，利用反事实近似度表征所述多个解释物品与推荐物品的近似程度。
在步骤S412，获得反事实近似度最大的解释物品的组合。例如，在解释物品的预定数量|Eu,i|固定的情况下，遍历个解释物品的组合，计算与每个解释物品的组合对应的反事实近似度，并获得反事实近似度最大的解释物品的组合。
在步骤S414，输出预定数量的解释物品的标识信息和该预定数量的解释物品与推荐物品的近似程度。
例如，输出反事实近似度最大的解释物品的组合及其对应的反事实近似度，即反事实近似度的最大值。
至此，提供了根据本公开另一些实施例的用于获得推荐解释的方法。在该方法中，利用反事实近似度表征解释物品与推荐物品的近似程度。通过该方法，可以找到反事实近似度最大的解释物品的组合，从而提高了利用解释物品解释推荐物品的准确性，从而可以使得推荐系统为用户更加准确地解释推荐物品，该方法更容易使得用户理解推荐解释。上述方法提高了用户对生成的解释的满意度。
在一些实施例中，可以将图3和图4所示的方法混合起来使用。即先用图3所示的方法(可以称为最近邻的方法)生成一些可能的候选解释，组成候选解释集合，然后在候选解释集合上利用反事实的方式进一步选取推荐解释。这样的方法既提高了计算速度，也更容易使得用户理解推荐解释。下面结合图6详细描述该混合方法。
图6是示出根据本公开另一些实施例的用于获得推荐解释的方法的流程图。如图6所示，该方法包括步骤S602至S604。
在步骤S602，利用推荐模型生成推荐物品。
在步骤S604，从训练集合中删除多个解释物品的至少一部分(例如前面所述的Eu,i)，利用训练集合中剩余的物品训练推荐模型。
在步骤S606，计算每次训练过程中的推荐模型的损失函数值。
在步骤S608，将损失函数值最小的推荐模型确定为训练后的推荐模型。
在步骤S610，从推荐模型获取多个解释物品的每一个的特征向量和所述推荐物品的特征向量。
在步骤S612，计算多个解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离。
在步骤S614，从多个解释物品中选择固定数量的解释物品作为候选解释物品集合，候选解释物品集合中的解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离小于所述多个解释物品中除候选解释物品集合之外的其他解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离。
在步骤S616，利用训练后的推荐模型，计算候选解释物品集合中的解释物品与推荐物品的反事实近似度。
上述步骤S610至S616描述了计算多个解释物品与推荐物品的近似程度的过程。
在步骤S618，输出预定数量的解释物品的标识信息和该预定数量的解释物品与推荐物品的近似程度。即，输出预定数量的解释物品的标识信息和反事实近似度的最大值。
例如，可以先从所述多个解释物品中获取预定数量的解释物品，然后输出预定数量的解释物品的标识信息和该预定数量的解释物品与推荐物品的近似程度。
在一些实施例中，从所述多个解释物品中获取预定数量的解释物品包括：在解释物品的预定数量|Eu,i|固定的情况下，遍历个解释物品的组合，计算与每个解释物品的组合对应的反事实近似度，并获得反事实近似度最大的解释物品的组合，其中，Ic为候选解释物品集合，Eu,i为用户交互过的部分物品的集合。
至此，提供了根据本公开另一些实施例的用于获得推荐解释的方法。由于该方法混合了前面所述的两种方法，因此，该方法既提高了计算速度，也更容易使得用户理解推荐解释。上述方法提高了用户对生成的解释的满意度。
在另一些实施例中，所述多个解释物品与推荐物品的近似程度包括：多个解释物品的标签与推荐物品的标签的相似度、多个解释物品的特征与推荐物品的特征的相似度、多个解释物品的评论与推荐物品的评论的相似度或者多个解释物品的用户反馈信息与推荐物品的用户反馈信息的相似度。也就是说，任何计算物品间距离的方式都可以用于本公开的方法，包括但不限于物品标签的相似度、物品特征的相似度、物品评论的相似度、物品用户反馈的相似度，等等。
上述物品标签等的相似度的计算公式可以与前面的欧式距离计算公式相同，也可以采用其他的计算方式，例如可以直接利用物品标签的重合度等。
至于选择哪一种相似度，可以取决于推荐场景。比如在电影推荐里可以是电影种类(例如，动作片或喜剧片等)的标签的重合度，购物推荐里可以是物品分类(电器，家具等)的重合度。
图7是示出根据本公开一些实施例的用于获得推荐解释的装置的结构框图。如图7所示，该装置包括生成单元702、计算单元704、获取单元706和输出单元708。
生成单元702用于利用推荐模型生成推荐物品。
计算单元704用于计算多个解释物品与推荐物品的近似程度。
获取单元706用于从多个解释物品中获取预定数量的解释物品，该预定数量的解释物品与推荐物品的近似程度大于其他解释物品与推荐物品的近似程度，其中，预定数量的解释物品作为推荐物品的推荐解释。
输出单元708用于输出预定数量的解释物品的标识信息。
至此，提供了根据本公开一些实施例的用于获得推荐解释的装置。该装置提高了利用解释物品解释推荐物品的准确性，从而可以使得推荐系统为用户更加准确地解释推荐物品。上述装置提高了用户对生成的解释的满意度。
在一些实施例中，输出单元708还用于输出预定数量的解释物品与推荐物品的近似程度。
在一些实施例中，计算单元704用于从推荐模型获取所述多个解释物品的每一个的特征向量和推荐物品的特征向量；计算所述多个解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离，其中，利用欧式距离表征所述多个解释物品的每一个与推荐物品的近似程度，其中，所述欧式距离越小，表示所述近似程度越大。
在一些实施例中，获取单元706用于从所述多个解释物品中选择预定数量的解释物品，该预定数量的解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离小于其他解释物品的每一个的特征向量与推荐物品的特征向量之间的欧式距离。
在一些实施例中，输出单元708用于计算预定数量的解释物品的特征向量与推荐物品的特征向量之间的欧式距离的平均值；和输出该欧式距离的平均值。
在另一些实施例中，计算单元704用于利用反事实近似度表征所述多个解释物品与推荐物品的近似程度。
在一些实施例中，所述装置还可以包括训练单元。该训练单元用于从训练集合中删除所述多个解释物品的至少一部分，利用训练集合中剩余的物品训练推荐模型；计算每次训练过程中的推荐模型的损失函数值；将损失函数值最小的推荐模型确定为训练后的推荐模型。
在一些实施例中，计算单元704用于利用训练后的推荐模型，计算所述多个解释物品与推荐物品的反事实近似度PC，其中，
其中，i为推荐物品，I为推荐模型所在的系统中所有物品的集合，I\{i}为物品集合I中除了推荐物品i之外剩余的物品的集合，f(j；θ′)为利用推荐模型θ′计算的物品j的预测的推荐分数，f(i；θ′)为利用推荐模型θ′计算的物品i的预测的推荐分数，θ′为训练后的推荐模型。
在另一些实施例中，获取单元706用于在解释物品的预定数量|Eu,i|固定的情况下，遍历个解释物品的组合，计算与每个解释物品的组合对应的反事实近似度，并获得反事实近似度最大的解释物品的组合，其中，Iu为用户u交互过的所有物品的集合，Eu,i为用户交互过的部分物品的集合。
在另一些实施例中，计算单元704用于从推荐模型获取多个解释物品的每一个的特征向量和推荐物品的特征向量；计算所述多个解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离；从所述多个解释物品中选择固定数量的解释物品作为候选解释物品集合，所述候选解释物品集合中的解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离小于所述多个解释物品中除所述候选解释物品集合之外的其他解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离；和利用所述训练后的推荐模型，计算所述候选解释物品集合中的解释物品与所述推荐物品的反事实近似度。
在另一些实施例中，获取单元706用于在解释物品的预定数量|Eu,i|固定的情况下，遍历个解释物品的组合，计算与每个解释物品的组合对应的反事实近似度，并获得反事实近似度最大的解释物品的组合，其中，Ic为所述候选解释物品集合，Eu,i为用户交互过的部分物品的集合。
在另一些实施例中，输出单元708用于输出反事实近似度的最大值。
在一些实施例中，多个解释物品与推荐物品的近似程度包括：所述多个解释物品的标签与所述推荐物品的标签的相似度、所述多个解释物品的特征与所述推荐物品的特征的相似度、所述多个解释物品的评论与所述推荐物品的评论的相似度或者所述多个解释物品的用户反馈信息与所述推荐物品的用户反馈信息的相似度。
应注意，上述各个单元仅是根据其所实现的具体功能划分的逻辑模块，而不是用于限制具体的实现方式，例如可以以软件、硬件或者软硬件结合的方式来实现。在实际实现时，上述各个单元可被实现为独立的物理实体，或者也可由单个实体(例如，处理器(CPU或DSP等)、集成电路等)来实现。此外，上述各个单元所实现的操作/功能可由处理电路本身来实现。
此外，尽管未示出，该设备也可以包括存储器，其可以存储由设备、设备所包含的各个单元在操作中产生的各种信息、用于操作的程序和数据、将由通信单元发送的数据等。存储器可以是易失性存储器和/或非易失性存储器。例如，存储器可以包括但不限于随机存储存储器(RAM)、动态随机存储存储器(DRAM)、静态随机存取存储器(SRAM)、只读存储器(ROM)、闪存存储器。当然，存储器可也位于该设备之外。可选地，尽管未示出，但是该设备也可以包括通信单元，其可用于与其它装置进行通信。在一个示例中，通信单元可以被按照本领域已知的适当方式来实现，例如包括天线阵列和/或射频链路等通信部件，各种类型的接口、通信单元等等。这里将不再详细描述。此外，设备还可以包括未示出的其它部件，诸如射频链路、基带处理单元、网络接口、处理器、控制器等。这里将不再详细描述。
本公开的一些实施例还提供一种电子设备。图8示出根据本公开一些实施例的电子设备的框图。例如，在一些实施例中，电子设备8可以为各种类型的设备，例如可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。例如，电子设备8可以包括显示面板，以用于显示根据本公开的方案中所利用的数据和/或执行结果。例如，显示面板可以为各种形状，例如矩形面板、椭圆形面板或多边形面板等。另外，显示面板不仅可以为平面面板，也可以为曲面面板，甚至球面面板。
如图8所示，该实施例的电子设备8包括：存储器81以及耦接至该存储器81的处理器82。应当注意，图8所示的电子设备8的组件只是示例性的，而非限制性的，根据实际应用需要，该电子设备8还可以具有其他组件。处理器82可以控制电子设备8中的其它组件以执行期望的功能。
在一些实施例中，存储器81用于存储一个或多个计算机可读指令。处理器82用于运行计算机可读指令时，计算机可读指令被处理器82运行时实现根据上述任一实施例所述的方法。关于该方法的各个步骤的具体实现以及相关解释内容可以参见上述的实施例，重复之处在此不作赘述。
例如，处理器82和存储器81之间可以直接或间接地互相通信。例如，处理器82和存储器81可以通过网络进行通信。网络可以包括无线网络、有线网络、和/或无线网络和有线网络的任意组合。处理器82和存储器81之间也可以通过系统总线实现相互通信，本公开对此不作限制。
例如，处理器82可以体现为各种适当的处理器、处理装置等，诸如中央处理器(CPU)、图形处理器(Graphics Processing Unit，GPU)、网络处理器(NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。中央处理元(CPU)可以为X86或ARM架构等。例如，存储器81可以包括各种形式的计算机可读存储介质的任意组合，例如易失性存储器和/或非易失性存储器。存储器81例如可以包括系统存储器，系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。在存储介质中还可以存储各种应用程序和各种数据等。
另外，根据本公开的一些实施例，根据本公开的各种操作/处理在通过软件和/或固件实现的情况下，可从存储介质或网络向具有专用硬件结构的计算机系统，例如图9所示的计算机系统900安装构成该软件的程序，该计算机系统在安装有各种程序时，能够执行各种功能，包括诸如前文所述的功能等等。图9是示出根据本公开的实施例的中可采用的计算机系统的示例结构的框图。
在图9中，中央处理单元(CPU)901根据只读存储器(ROM)902中存储的程序或从存储部分908加载到随机存取存储器(RAM)903的程序执行各种处理。在RAM 903中，也根据需要存储当CPU901执行各种处理等时所需的数据。中央处理单元仅仅是示例性的，其也可以是其它类型的处理器，诸如前文所述的各种处理器。ROM 902、RAM 903和存储部分908可以是各种形式的计算机可读存储介质，如下文所述。需要注意的是，虽然图9中分别示出了ROM902、RAM 903和存储部分908，但是它们中的一个或多个可以合并或者位于相同或不同的存储器或存储模块中。
CPU 901、ROM 902和RAM 903经由总线904彼此连接。输入/输出接口905也连接到总线904。
下述部件连接到输入/输出接口905：输入部分906，诸如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等；输出部分907，包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)，扬声器，振动器等；存储部分908，包括硬盘，磁带等；和通信部分909，包括网络接口卡比如LAN卡、调制解调器等。通信部分909允许经由网络比如因特网执行通信处理。容易理解的是，虽然图9中示出电子设备900中的各个装置或模块是通过总线904来通信的，但它们也可以通过网络或其它方式进行通信，其中，网络可以包括无线网络、有线网络、和/或无线网络和有线网络的任意组合。
根据需要，驱动器910也连接到输入/输出接口905。可拆卸介质911比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器910上，使得从中读出的计算机程序根据需要被安装到存储部分908中。
在通过软件实现上述系列处理的情况下，可以从网络比如因特网或存储介质比如可拆卸介质911安装构成软件的程序。
根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，或者从存储部分908被安装，或者从ROM 902被安装。在该计算机程序被CPU 901执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，在本公开的上下文中，计算机可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是，但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
在一些实施例中，还提供了一种计算机程序，包括：指令，指令当由处理器执行时使处理器执行上述任一个实施例的方法。例如，指令可以体现为计算机程序代码。
在本公开的实施例中，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块、部件或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块、部件或单元的名称在某种情况下并不构成对该模块、部件或单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示例性的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一些实施例，提供了一种用于获得推荐解释的方法，包括：利用推荐模型生成推荐物品；计算多个解释物品与所述推荐物品的近似程度；从所述多个解释物品中获取预定数量的解释物品，所述预定数量的解释物品与所述推荐物品的近似程度大于其他解释物品与所述推荐物品的近似程度，其中，所述预定数量的解释物品作为所述推荐物品的推荐解释；和输出所述预定数量的解释物品的标识信息。
在一些实施例中，计算所述多个解释物品与所述推荐物品的近似程度包括：利用反事实近似度表征所述多个解释物品与所述推荐物品的近似程度。
在一些实施例中，所述方法还包括：在计算所述多个解释物品与所述推荐物品的近似程度之前，从训练集合中删除所述多个解释物品的至少一部分，利用所述训练集合中剩余的物品训练所述推荐模型；计算每次训练过程中的推荐模型的损失函数值；和将损失函数值最小的推荐模型确定为训练后的推荐模型。
在一些实施例中，利用反事实近似度表征所述多个解释物品与所述推荐物品的近似程度包括：利用所述训练后的推荐模型，计算所述多个解释物品与所述推荐物品的反事实近似度PC，其中，f(i；θ′)，其中，i为推荐物品，I为推荐模型所在的系统中所有物品的集合，I\{i}为物品集合I中除了推荐物品i之外剩余的物品的集合，f(j；θ′)为利用推荐模型θ′计算的物品j的预测的推荐分数，f(i；θ′)为利用推荐模型θ′计算的物品i的预测的推荐分数，θ′为训练后的推荐模型。
在一些实施例中，从所述多个解释物品中获取预定数量的解释物品包括：在所述解释物品的预定数量|Eu,i|固定的情况下，遍历个解释物品的组合，计算与每个解释物品的组合对应的反事实近似度，并获得反事实近似度最大的解释物品的组合，其中，Iu为用户u交互过的所有物品的集合，Eu,i为用户交互过的部分物品的集合。
在一些实施例中，计算所述多个解释物品与所述推荐物品的近似程度包括：从所述推荐模型获取所述多个解释物品的每一个的特征向量和所述推荐物品的特征向量；计算所述多个解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离；从所述多个解释物品中选择固定数量的解释物品作为候选解释物品集合，所述候选解释物品集合中的解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离小于所述多个解释物品中除所述候选解释物品集合之外的其他解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离；和利用所述训练后的推荐模型，计算所述候选解释物品集合中的解释物品与所述推荐物品的反事实近似度。
在一些实施例中，从所述多个解释物品中获取预定数量的解释物品包括：在所述解释物品的预定数量|Eu,i|固定的情况下，遍历个解释物品的组合，计算与每个解释物品的组合对应的反事实近似度，并获得反事实近似度最大的解释物品的组合，其中，Ic为所述候选解释物品集合，Eu,i为用户交互过的部分物品的集合。
在一些实施例中，所述方法还包括：输出反事实近似度的最大值。
在一些实施例中，所述方法还包括：输出所述预定数量的解释物品与所述推荐物品的近似程度。
在一些实施例中，计算所述多个解释物品与所述推荐物品的近似程度包括：从所述推荐模型获取所述多个解释物品的每一个的特征向量和所述推荐物品的特征向量；和计算所述多个解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离，其中，利用所述欧式距离表征所述多个解释物品的每一个与所述推荐物品的近似程度，其中，所述欧式距离越小，表示所述近似程度越大。
在一些实施例中，从所述多个解释物品中获取预定数量的解释物品包括：从所述多个解释物品中选择预定数量的解释物品，所述预定数量的解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离小于其他解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离。
在一些实施例中，输出所述预定数量的解释物品与所述推荐物品的近似程度包括：计算所述预定数量的解释物品的特征向量与所述推荐物品的特征向量之间的欧式距离的平均值；和输出所述欧式距离的平均值。
在一些实施例中，所述多个解释物品与所述推荐物品的近似程度包括：所述多个解释物品的标签与所述推荐物品的标签的相似度、所述多个解释物品的特征与所述推荐物品的特征的相似度、所述多个解释物品的评论与所述推荐物品的评论的相似度或者所述多个解释物品的用户反馈信息与所述推荐物品的用户反馈信息的相似度。
根据本公开的另一些实施例，提供了一种用于获得推荐解释的装置，包括：生成单元，用于利用推荐模型生成推荐物品；计算单元，用于计算多个解释物品与所述推荐物品的近似程度；获取单元，用于从所述多个解释物品中获取预定数量的解释物品，所述预定数量的解释物品与所述推荐物品的近似程度大于其他解释物品与所述推荐物品的近似程度，其中，所述预定数量的解释物品作为所述推荐物品的推荐解释；和输出单元，用于输出所述预定数量的解释物品的标识信息。
根据本公开的另一些实施例，提供了一种电子设备，包括：存储器；和耦接至所述存储器的处理器，所述存储器中存储有指令，所述指令当由所述处理器执行时，使得所述电子设备执行本公开中所述的任一实施例的方法。
根据本公开的另一些实施例，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序由处理器执行时实现本公开中所述的任一实施例的方法。
根据本公开的又一些实施例，提供一种计算机程序，包括：指令，指令当由处理器执行时使处理器执行本公开中所述的任一实施例的方法。
根据本公开的又一些实施例，提供一种计算机程序产品，包括指令，所述指令当由处理器执行时实现本公开中所述的任一实施例的方法。
以上描述仅为本公开的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
在本文提供的描述中，阐述了许多特定细节。然而，理解的是，可以在没有这些特定细节的情况下实施本发明的实施例。在其他情况下，为了不模糊该描述的理解，没有对众所周知的方法、结构和技术进行详细展示。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。

Claims (11)

1.一种用于获得推荐解释的方法，包括：
利用推荐模型生成推荐物品；
计算多个解释物品与所述推荐物品的近似程度，其中，计算所述多个解释物品与所述推荐物品的近似程度包括：利用反事实近似度表征所述多个解释物品与所述推荐物品的近似程度；
从所述多个解释物品中获取预定数量的解释物品，所述预定数量的解释物品与所述推荐物品的近似程度大于其他解释物品与所述推荐物品的近似程度，其中，所述预定数量的解释物品作为所述推荐物品的推荐解释；和
输出所述预定数量的解释物品的标识信息；
所述方法还包括：
在计算所述多个解释物品与所述推荐物品的近似程度之前，从训练集合中删除所述多个解释物品的至少一部分，利用所述训练集合中剩余的物品训练所述推荐模型，其中，在新的反事实的排序中，如果所述推荐物品不能保持原来的首位，则代表被删除的解释物品是反事实的，或者，在从训练集合中删除解释物品并重新训练推荐模型后，如果所述推荐物品依然保持首位，则表明被删除的解释物品对所述推荐物品不重要；
计算每次训练过程中的推荐模型的损失函数值；和
将损失函数值最小的推荐模型确定为训练后的推荐模型。
2.根据权利要求1所述的方法，其中，利用反事实近似度表征所述多个解释物品与所述推荐物品的近似程度包括：
利用所述训练后的推荐模型，计算所述多个解释物品与所述推荐物品的反事实近似度PC，其中，
其中，i为推荐物品，I为推荐模型所在的系统中所有物品的集合，I\{i}为物品集合I中除了推荐物品i之外剩余的物品的集合，f(j；θ′)为利用推荐模型θ′计算的物品j的预测的推荐分数，f(i；θ′)为利用推荐模型θ′计算的物品i的预测的推荐分数，θ′为训练后的推荐模型。
3.根据权利要求2所述的方法，其中，从所述多个解释物品中获取预定数量的解释物品包括：
在所述解释物品的预定数量|Eu,i|固定的情况下，遍历个解释物品的组合，计算与每个解释物品的组合对应的反事实近似度，并获得反事实近似度最大的解释物品的组合，其中，Iu为用户u交互过的所有物品的集合，Eu,i为用户交互过的部分物品的集合。
4.根据权利要求1所述的方法，其中，计算所述多个解释物品与所述推荐物品的近似程度包括：
从所述推荐模型获取所述多个解释物品的每一个的特征向量和所述推荐物品的特征向量；
计算所述多个解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离；
从所述多个解释物品中选择固定数量的解释物品作为候选解释物品集合，所述候选解释物品集合中的解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离小于所述多个解释物品中除所述候选解释物品集合之外的其他解释物品的每一个的特征向量与所述推荐物品的特征向量之间的欧式距离；和
利用所述训练后的推荐模型，计算所述候选解释物品集合中的解释物品与所述推荐物品的反事实近似度。
5.根据权利要求4所述的方法，其中，从所述多个解释物品中获取预定数量的解释物品包括：
在所述解释物品的预定数量|Eu,i|固定的情况下，遍历个解释物品的组合，计算与每个解释物品的组合对应的反事实近似度，并获得反事实近似度最大的解释物品的组合，其中，Ic为所述候选解释物品集合，Eu,i为用户交互过的部分物品的集合。
6.根据权利要求3或5所述的方法，还包括：
输出反事实近似度的最大值。
7.根据权利要求1所述的方法，还包括：
输出所述预定数量的解释物品与所述推荐物品的近似程度。
8.根据权利要求1所述的方法，其中，所述多个解释物品与所述推荐物品的近似程度包括：
所述多个解释物品的标签与所述推荐物品的标签的相似度、所述多个解释物品的特征与所述推荐物品的特征的相似度、所述多个解释物品的评论与所述推荐物品的评论的相似度或者所述多个解释物品的用户反馈信息与所述推荐物品的用户反馈信息的相似度。
9.一种用于获得推荐解释的装置，包括：
生成单元，用于利用推荐模型生成推荐物品；；
计算单元，用于计算多个解释物品与所述推荐物品的近似程度，所述计算单元用于利用反事实近似度表征所述多个解释物品与推荐物品的近似程度；
获取单元，用于从所述多个解释物品中获取预定数量的解释物品，所述预定数量的解释物品与所述推荐物品的近似程度大于其他解释物品与所述推荐物品的近似程度，其中，所述预定数量的解释物品作为所述推荐物品的推荐解释；
输出单元，用于输出所述预定数量的解释物品的标识信息；和
训练单元，用于从训练集合中删除所述多个解释物品的至少一部分，利用训练集合中剩余的物品训练推荐模型，计算每次训练过程中的推荐模型的损失函数值，和将损失函数值最小的推荐模型确定为训练后的推荐模型；
其中，在新的反事实的排序中，如果所述推荐物品不能保持原来的首位，则代表被删除的解释物品是反事实的，或者，在从训练集合中删除解释物品并重新训练推荐模型后，如果所述推荐物品依然保持首位，则表明被删除的解释物品对所述推荐物品不重要。
10.一种电子设备，包括：
存储器；和
耦接至所述存储器的处理器，所述存储器中存储有指令，所述指令当由所述处理器执行时，使得所述电子设备执行根据权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，该程序由处理器执行时实现根据权利要求1-8中任一项所述的方法。
CN202210099915.7A 2022-01-27 2022-01-27 用于获得推荐解释的方法、设备和计算机可读介质 Active CN114491261B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210099915.7A CN114491261B (zh) 2022-01-27 2022-01-27 用于获得推荐解释的方法、设备和计算机可读介质
PCT/CN2023/070406 WO2023142927A1 (zh) 2022-01-27 2023-01-04 用于获得推荐解释的方法、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210099915.7A CN114491261B (zh) 2022-01-27 2022-01-27 用于获得推荐解释的方法、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN114491261A CN114491261A (zh) 2022-05-13
CN114491261B true CN114491261B (zh) 2024-05-14

Family

ID=81476762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210099915.7A Active CN114491261B (zh) 2022-01-27 2022-01-27 用于获得推荐解释的方法、设备和计算机可读介质

Country Status (2)

Country Link
CN (1) CN114491261B (zh)
WO (1) WO2023142927A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114491261B (zh) * 2022-01-27 2024-05-14 北京有竹居网络技术有限公司 用于获得推荐解释的方法、设备和计算机可读介质
CN116071119B (zh) * 2022-08-16 2023-12-08 电子科技大学 一种基于多行为推荐模型的模型不可知反事实解释方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541520A (zh) * 2019-09-20 2021-03-23 罗伯特·博世有限公司 用于为神经网络生成反事实数据样本的设备和方法
CN113269310A (zh) * 2021-06-03 2021-08-17 北京邮电大学 基于反事实的图神经网络可解释性方法
CN113761355A (zh) * 2021-04-30 2021-12-07 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备及计算机可读存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160132601A1 (en) * 2014-11-12 2016-05-12 Microsoft Technology Licensing Hybrid Explanations In Collaborative Filter Based Recommendation System
US10872298B2 (en) * 2016-07-11 2020-12-22 Visa International Service Association Machine learning and prediction using graph communities
US20190332957A1 (en) * 2018-04-30 2019-10-31 Fujitsu Limited Causality for machine learning systems
US20210042590A1 (en) * 2019-08-07 2021-02-11 Xochitz Watts Machine learning system using a stochastic process and method
JP2023501523A (ja) * 2019-11-13 2023-01-18 アクタナ， インコーポレイテッド 説明可能人工知能ベースの販売最大限化決定モデル
CN111259238B (zh) * 2020-01-13 2023-04-14 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
CN112001776A (zh) * 2020-08-24 2020-11-27 上海风秩科技有限公司 一种服务信息推送方法、装置、存储介质及电子设备
CN113609388B (zh) * 2021-07-27 2024-02-06 浙江大学 基于反事实用户行为序列生成的序列推荐方法
CN113822429A (zh) * 2021-07-30 2021-12-21 腾讯科技（深圳）有限公司 针对推荐系统的解释方法、装置、设备及可读存储介质
CN114491261B (zh) * 2022-01-27 2024-05-14 北京有竹居网络技术有限公司 用于获得推荐解释的方法、设备和计算机可读介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541520A (zh) * 2019-09-20 2021-03-23 罗伯特·博世有限公司 用于为神经网络生成反事实数据样本的设备和方法
CN113761355A (zh) * 2021-04-30 2021-12-07 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备及计算机可读存储介质
CN113269310A (zh) * 2021-06-03 2021-08-17 北京邮电大学 基于反事实的图神经网络可解释性方法

Also Published As

Publication number Publication date
WO2023142927A1 (zh) 2023-08-03
CN114491261A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114491261B (zh) 用于获得推荐解释的方法、设备和计算机可读介质
CN108416310B (zh) 用于生成信息的方法和装置
CN110276346B (zh) 目标区域识别模型训练方法、装置和计算机可读存储介质
CN112364860B (zh) 字符识别模型的训练方法、装置和电子设备
CN111444356B (zh) 基于搜索的推荐方法及装置
CN111291258A (zh) 搜索热词的推荐方法、装置、电子设备及可读介质
CN111738316B (zh) 零样本学习的图像分类方法、装置及电子设备
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
WO2024001545A1 (zh) 歌单展示信息生成方法、装置、电子设备及存储介质
CN114170233B (zh) 图像分割标签的生成方法、装置、电子设备及存储介质
CN111753114A (zh) 图像预标注方法、装置及电子设备
CN113191257B (zh) 笔顺检测方法、装置和电子设备
CN114625876B (zh) 作者特征模型的生成方法、作者信息处理方法和装置
CN115222478A (zh) 产品消息推送方法、电子设备及可读存储介质
CN116522012A (zh) 用户兴趣挖掘方法、系统、电子设备以及介质
CN115827705A (zh) 用于反事实解释的数据处理方法和装置
CN116092092A (zh) 匹配方法、装置、介质及电子设备
CN111832354A (zh) 目标对象年龄识别方法、装置及电子设备
CN115269978A (zh) 一种视频标签生成方法、装置、设备及介质
CN115482415A (zh) 模型训练方法、图像分类方法和装置
CN113033682B (zh) 视频分类方法、装置、可读介质、电子设备
CN113592607A (zh) 产品推荐方法、装置、存储介质及电子设备
CN110750715A (zh) 内容推荐方法、装置、设备及可读存储介质
CN111738311A (zh) 面向多任务的特征提取方法、装置及电子设备
CN118038193B (zh) 地下电缆可视化展示方法、装置、电子设备与计算机介质

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
GR01 Patent grant
GR01 Patent grant