摘要
随着信息技术和移动互联网的飞速发展，用户对互联网的参与度越来越高，海量信息涌入，使得“信息过载”问题愈发凸显，人们对信息浏览的精准性需求尚不能完全满足。用户通过对互联网的主动信息检索转变为以人们搜索行为数据分析为基础的主动推送，是推荐系统出现的根木原因。日益成熟的推荐技术逐渐被广泛应用于电影、电商、新闻和自媒体等行业。这些互联网应用积累了大量物品和用户的历史行为数据，充分利用这些数据，能够有效地向用户进行推荐，提升用户体验。当前，深度学习技术在推荐系统领域不断应用发展，极大提升了模型的推荐性能，但单纯地只为用户提供推荐结果是不够的，在为用户进行推荐的同时说明推荐理由，更有利于提高用户对推荐系统的认可度和信任度。本文主要围绕提高推荐算法的推荐性能及可解释性展开研究，主要工作包括: (1)提出一种增强推荐系统可解释性的深度评论注意力推荐算法。基于用户对物品的评论信息来分析用户偏好，通过文本卷积神经网络对文本评论数据进行处理，提取相关特征，利用注意力机制对所得特征向量进行权重分配和信息过滤，同时采用RNN编码器-解码器来学习用户隐含的深度语义信息。两个并行的深度神经网络结构对用户语义进行学习和分析，在给出推荐预测的同时为整个推荐过程提供了隐式解释，从而提升推荐模型的可解释性能，提升用户的信任度和认可度。该算法模型以RMSE值作为评价指标，在亚马逊的四个公开数据集上验证有效。 (2)提出一种基于文本语句生成的增强可解释性推荐算法。该算法利用Transformer网络结构对文本数据进行处理，学习用户评论中的语义信息，在做出推荐预测的同时生成文本形式的解释语句，在推荐过程中加入了数据对齐性和一致性的优化模块，使模型能够更好地学习用户和项目中丰富的语义表示，提升模型推荐的准确度，在语句生成部分加入了动态化随机权重分配模块，使生成的解释文本时能够更好的筛选有效语句信息，提高了模型的解释性能。该算法选用RMSE值和MAE值作为推荐性能的评价指标，在Amazon、Yelp、TripAdvisor三个数据集上展开实验，均验证了本文模型的有效性。
NETL