翻译_第五章：《Explainable Recommendation: A Survey and New Perspectives》可解释推荐系统综述

上篇链接：翻译_第四章：《Explainable Recommendation: A Survey and New Perspectives》可解释推荐系统综述

---

5.Explainable Recommendation in Different Applications

  可解释推荐方法的研究和应用跨越了许多不同的场景，如可解释的电子商务推荐、可解释的社交推荐、可解释的多媒体推荐等。
　　在本节中，我们将回顾不同应用中可解释的推荐方法。本节中的大部分研究论文虽然已经在前面的章节中介绍过了，但在此处我们根据它们的应用场景来组织它们，以帮助读者更好地理解当前可解释的推荐研究的范围，以及它在不同应用中起到的作用。

5.1 Explainable E-commerce Recommendation

  电子商务中的产品推荐是最广泛采用的可解释推荐场景之一。它已经成为可解释的推荐研究的标准测试环境。
　　举个栗子，Zhang et al., 2014a提出基于显式因子模型的可解释推荐，并基于一个商业电子商务网站(JD.com)进行在线实验，对可解释推荐进行评估。随后，许多可解释的电子商务推荐模型被提出。例如，He et al., 2015 介绍了一种针对电子产品的可解释推荐的三部图排序算法；Chen et al., 2016 提出了一种基于学习排序的跨类别产品可解释推荐方法；Seo et al., 2017 和Wu et al., 2019 在Amazon中对多个产品类别进行可解释推荐，并基于注意力机制突出用户评论中的重要单词；Heckel et al., 2017 采用重叠协同聚类，提供可扩展和可解释的产品推荐； Chen et al., 2019b提出了一种可视化可解释的推荐模型，为时尚产品提供可视化的解释；Hou et al., 2018 使用产品特征在亚马逊网站进行可解释的视频游戏推荐；Chen et al., 2018a 利用基于评论的神经注意力回归对亚马逊的三个产品类别进行评分预测；Chen et al., 2018c 采用记忆网络在Amazon中提供可解释的序列推荐；Wang et al., 2018b 利用张量因子分解的多任务学习来学习亚马逊产品推荐的文本解释。
　　可解释的推荐对于电子商务平台来说是必不可少的，不仅因为它有助于增加推荐的说服力，还因为它帮助用户做出高效和明智的决定。随着越来越多的消费者在网络经济中进行购买，电子商务系统必须承担起社会责任，实现商业利润的同时要为消费者做出正确的决定。可解释的推荐——作为一种帮助用户理解为什么一个产品（不）是正确选择的方法——是实现对社会负责的推荐的最终目标的重要技术途径。

5.2 Explainable Point-of-Interest Recommendation

  Point-of-Interest (POI)推荐，或者广义上的location推荐——尝试推荐用户可能感兴趣的地点，如酒店、餐馆或博物馆。可解释的POI推荐近年来获得了很大的关注。许多研究基于来自POI评论网站的数据集，比如Yelp和TripAdvisor。
　　通过在POI推荐系统中提供适当的解释，它可以帮助用户节省时间并最小化做出错误决策的可能性。由于从一个地方到另一个地方旅行，通常意味着在时间和金钱上的许多付出。此外，在旅行计划应用程序(如TripAdvisor)中提供解释可以帮助用户更好地理解不同地方之间的关系，这可以帮助用户提前规划更好的旅行路线。
　　在可解释的POI推荐研究方面，Wu and Ester, 2015 进行Yelp餐厅推荐和TripAdvisor酒店推荐。作者提出了一种基于特征的意见挖掘和协同过滤相结合的概率模型来提供可解释的推荐，推荐的地点由地点特征的词云来解释。Bauman et al., 2017 开发了一个模型，从Yelp上餐厅、酒店、美容和水疗的推荐评论中提取最有价值的特征。Seo et al., 2017 也在Yelp进行了可解释的餐厅推荐，作者提出了可解释的卷积神经网络来突出提供有用信息的评论词作为解释。Zhao et al., 2015 分别在凤凰城和新加坡基于Yelp数据进行POI推荐，作者提出了一种联合sentiment-aspect-region的建模方法来生成推荐。Wang et al., 2018c 基于TripAdvisor在伦敦和纽约的数据，提出了一种基于树增强的嵌入模型，用于旅游景点进行解释和餐厅推荐。

5.3 Explainable Social Recommendation

  可解释推荐也适用于社交场景，代表性的例子包括在社交场景中的好友推荐、新闻推送推荐、博客、新闻、音乐、旅行计划、网页、图片或标签的推荐等等。
　　社交推荐系统的可解释性对推荐中的用户可信度至关重要，而可信度是维持社交网络可持续性的基础。例如，通过提供共同的朋友来解释Facebook上的朋友推荐，它可以帮助用户理解为什么一个不认识的人与他们有联系，为什么推荐的朋友是被信任的。通过告诉用户他或她的哪些朋友在Twitter上发布了一条新闻，将有助于用户理解为什么推荐的新闻对该用户很重要。它还可以帮助用户快速识别有用的信息，从而在信息过载的时代节省时间。
　　社会环境中可解释推荐对新闻推荐的可信度也很重要 (Bountouridis et al., 2018)。由于任何个人都可以在社会环境中发布和转发新闻文章，这一制度可能被利用来传播假新闻进而对我们的社会产生不良影响。通过交叉引用来解释新闻文章的可信度(Bountouridis et al., 2018)，我们可以帮助用户识别社会环境中可信任的或虚假的信息，这也对国家安全至关重要。
　　在社会可解释推荐的研究方面，Renet al., 2017年提出了一种基于用户观点和社会关系的社会化协同观点回归模型来进行评分预测。社会关系不仅有助于提高推荐效果，而且有助于提高推荐的可解释性。Quijano-Sanchez et al.,2017 开发了一个适用于组推荐的社会解释系统。它整合了对群组的推荐的解释和对群体真实社交信息的解释，从而让人更好地理解组推荐。Tsai and Brusilovsky, 2018 研究了如何为普通(非专业)用户设计解释界面，以实现不同的解释目标。特别地，作者对一个社交推荐系统进行了一项国际性的在线调查——该系统基于13个国家的14个活跃用户以获取用户反馈，并根据可解释的社交推荐系统的设计原则来构建这个社交推荐系统。

5.4 Explainable Multimedia Recommendation

  可解释的多媒体推荐大致包括可解释的书籍推荐(Wang et al., 2018a)、新闻/文章推荐(Kraus, 2016)、音乐推荐(Celma, 2010)、电影推荐(Tintarev and Masthoff, 2008; Nanou et al., 2010)或视频(Toderici et al., 2010)。一个例子是Youtube推荐引擎，为多媒体推荐提供解释可以帮助用户更高效地做出明智的决定，从而通过减少网络中不必要的数据密集型的媒体传输，进一步帮助用户节省时间。在本节中，我们将回顾可解释多媒体推荐的相关工作。
　　MovieLens数据集是最常用的电影推荐数据集之一。基于这个数据集，Abdollahi and Nasraoui, 2016 提出了一种可解释的矩阵分解方法，该方法通过学习活跃用户邻域的评分分布来实现。 Abdollahi and Nasraoui, 2017 作者进一步将这一思想推广到约束矩阵分解的可解释性中。Chang et al., 2016 采用众包技术，为MovieLens中的电影推荐生成基于众包的自然语言解释。Lee and Jung, 2018为电影推荐系统提供基于故事的解释，通过多特征解释和叙事分析方法来实现。
　　基于电影的知识库，例如类型、类型、演员和导演，近年有研究试图提供知识感知的可解释推荐。例如，Catherine et al., 2017 提出了基于知识图谱的可解释实体推荐方法，它通过对电影知识图谱中实体的推理进行解释。Wang et al., 2018a 提出了RippleNet模型，将用户偏好信息通过在知识图谱上的传播进行推荐。其根据从用户到推荐的电影、书籍或新闻的知识路径来提供解释。
　　Davidson et al., 2010介绍了YouTube视频推荐系统，利用关联规则挖掘找到相关视频作为推荐视频的解释。网络媒体经常向用户提供新闻文章推荐，最近这种推荐已经结合到手机上独立的新闻推送App中，比如苹果新闻(Apple news)。Kraus, 2016研究了如何基于政治话题来解释新闻推送。

5.5 Other Explainable Recommendation Applications

  可解释的推荐对于许多其他应用也是至关重要的，比如学术推荐、引用推荐、法律推荐和医疗推荐。虽然直接针对这些主题的可解释推荐的研究工作目前不是很多，但是研究人员已经开始考虑这些系统中的可解释性问题。例如，Gao et al., 2017 研究了在线医疗论坛中文本分类的可解释性。其中每个句子被分为三种类型:药物、症状或背景。该研究提出了一种解释方法，通过显式提取决策规则来获取文本中有用信息。 Liu et al., 2018 进一步研究了用于健康监测的可解释离群点检测。在医疗实践中，医生和患者需要理解为什么数据驱动的系统推荐这种治疗方法。因此，研究医疗推荐系统的可解释性是很重要的。值得注意的是，可解释性视角也被集成到其他智能系统中，例如可解释搜索(Singh and Anand, 2019) 、问答系统(Zhao et al., 2019)、新闻文章的可信度分析 (Bountouridis et al., 2018)。

5.6 Summary

  在本节中，我们介绍了可解释推荐的几个应用场景，以帮助读者理解如何在不同的推荐场景中应用可解释性的关键思想。特别地，我们介绍了可解释的电子商务、POI、社交和多媒体推荐。我们还简要地讨论了一些新的可解释的推荐任务，如可解释的学术、教育和医疗推荐，这些任务最近受到了越来越多的关注。
　　我们也需要对于可解释推荐的潜在弊端进行一点讨论，即，虽然解释可以在许多推荐场景提供帮助，但一些场景下的解释可能是不必要甚至起反面作用的。如时间要求严格的情况下，应该实时地做出决策，而不需要用户花费时间来评估决策。例如，在高速公路上开车时，用户可能想要知道正确的出口，而不需要花时间听解释。更突出的情况包括紧急医疗决定或战场决定，在这些情况下不允许浪费时间进行评估。根据不同的场景，可解释的推荐系统可能还需要避免提供太多的解释，避免重复的、显而易见或细节过多的解释，这不但不能改善甚至可能损害户体验。

下篇链接：翻译_第六章：《Explainable Recommendation: A Survey and New Perspectives》可解释推荐系统综述