摘要
在推荐系统中提供模型生成的解释对用户体验至关重要。当前最先进的推荐算法——尤其是基于协同过滤（Collaborative Filtering, CF）的浅层或深层模型方法——通常利用各种非结构化信息源进行推荐，如文本评论、视觉图像以及多种隐式或显式反馈。尽管结构化知识库曾在基于内容的方法中被考虑，但由于近期研究重点集中在CF方法上，它们在很大程度上被忽视了。然而，结构化知识在个性化推荐系统中展现出独特的优势。当将用户和项目的显式知识纳入推荐时，系统可以根据用户的过往行为提供高度定制化的推荐，并且这些知识有助于为推荐项目提供有根据的解释。使用知识库进行推荐的一个重大挑战是如何整合大规模结构化数据，同时利用协同过滤实现高精度性能。近年来，知识库嵌入（Knowledge Base Embedding, KBE）方面的进展为这一问题提供了启示，使得在保留外部知识关系结构的同时学习用户和项目表示成为可能，从而为解释提供支持。在这项工作中，我们提出了一种用于可解释推荐的知识库嵌入解释方法。具体而言，我们提出了一种知识库表示学习框架，以嵌入异构实体进行推荐，并在此基础上提出了一种软匹配算法来生成针对推荐项目的个性化解释。实验结果表明，在真实世界的电子商务数据集上，我们的方法相比现有最先进基线模型具有更优越的推荐性能和更强的可解释性。