[發明專利]一種面向興趣點推薦的可解釋生成方法

有效

• 申請號: 202110698835.9
• 申請日: 2021-06-23
• 公開（公告）號: CN113420215B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 申德榮;張奧雅;寇月;聶鐵錚;石美惠
• 申請（專利權）人: 東北大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q50/00
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

本發明提供一種面向興趣點推薦的可解釋生成方法，涉及社交網絡以及興趣點推薦技術領域。首先根據興趣點推薦模型獲取用戶ID及推薦的興趣點，以及興趣點對應的影響因素；再根據興趣點影響因素之間的標量投影，進行興趣點影響因素之間的融合；將多個融合后的影響因素與推薦的興趣點將多個融合后的影響因素與推薦的興趣點進行相似性學習，得到融合后的影響因素與推薦的興趣點間的相似性權重；根據相似性權重值，確定影響興趣點推薦的主要影響因素；最后采用設定好的句子模板，基于主要影響因素對推薦的興趣點進行句子解釋；該方法對推薦的興趣點的不同影響因素進行分析，在既保證推薦模型的準確率的同時，又保證了解釋的合理性。

技術領域

本發明涉及社交網絡以及興趣點推薦技術領域，尤其涉及一種面向興趣點推薦的可解釋生成方法。

背景技術

目前，為了提高用戶對興趣點推薦模型的信任，越來越多的關注在于給推薦的興趣點生成解釋。在興趣點推薦模型中提供適當的解釋，除了能更好的說服用戶接受推薦的結果，也可以幫助推薦系統提高可信度、幫助用戶更好的做出決定、甚至幫助用戶節省時間。因為從一個興趣點到另一個興趣點通常會消耗一定的時間與費用。此外，在興趣點推薦中提供解釋，可以幫助用戶更好地了解不同興趣點之間的關系，幫助用戶提前、更好地規劃路線。

隨著興趣點推薦領域的不斷發展，大多數興趣點推薦都采用深度學習的方法訓練模型以提升興趣點推薦的準確性，但深度學習的推薦算法對于用戶來說如同一個黑盒子很難探究其部的工作原理，因此在維持推薦模型準確率的同時，增加興趣點的解釋還是面臨著很多困難。現有的一些方法只是針對用戶興趣點的評論信息生成解釋，這種解釋方法很難控制解釋的方向，會使得推薦的結果不可控，不能針對興趣點推薦模型做出合理、有效的解釋。

在日常生活中，用戶簽到興趣點時會受到不同因素的影響，不同時刻的影響因素對用戶選擇簽到興趣點來說有著不同程度的影響。用戶希望推薦模型在給出推薦興趣點后，能將起到主要影響的影響因素直觀的展現給自己，以便更好地在推薦列表中選擇自己感興趣的興趣點。

發明內容

本發明要解決的技術問題是針對上述現有技術的不足，提供一種面向興趣點推薦的可解釋生成方法，對興趣點推薦的結果產生一種文本解釋，在保證推薦模型準確率的同時，提高用戶對推薦模型的信任。

為解決上述技術問題，本發明所采取的技術方案是：一種面向興趣點推薦的可解釋生成方法，具體為：

根據興趣點推薦模型獲取用戶ID及推薦的興趣點，以及興趣點對應的影響因素；

確定影響興趣點推薦的主要影響因素；

基于主要影響因素對推薦的興趣點進行句子解釋。

進一步地，所述確定影響興趣點推薦的主要影響因素的具體方法為：

計算各影響因素之間的影響權重值；

根據影響因素之間的影響權重值，將影響因素進行融合得到融合后的影響因素；

通過注意力機制判斷出影響興趣點推薦的主要影響因素。

進一步地，所述計算各影響因素之間的影響權重值的具體方法為：

將n個影響興趣點P推薦的影響因素f₁、f₂、…、f_n嵌入成相應的影響因素的向量矩陣F＝[f1、f2、…、f_n]；

對每兩個影響因素向量進行投影，計算影響因素之間的影響權重，如下公式所示：

其中，m_ij表示影響因素f_i、fj之間的影響權重值，i＝1、2、…、n，j＝1、2、…、n；