[发明专利]一种基于推荐系统的无侵入个性化解释方法及系统

说明书

本发明公开了一种基于推荐系统的无侵入个性化解释方法，获取推荐系统的召回策略、用户侧信息，以及根据用户侧信息由召回策略所推选出的物品侧信息，对用户侧信息和物品侧信息进行特征提取，并根据召回策略计算特征的重要性，对特征的重要性进行排序，并根据排序结果提取多个重要征特，根据重要特征，配置话术模板，融合特征和话术模板，生成推荐原因解释；本发明可在推荐系统的基础上，对推荐系统中的用户侧信息和物品侧信息进行特征提取，进一步在对提取的特征进行处理后，可生成与推荐系统推送给用户的物品相匹配的解释原因，可提高该系统的可解释性，大幅度增加用户的使用体验。

技术领域

本发明涉及一种基于推荐系统的无侵入个性化解释方法及系统，属于电子商务技术领域。

背景技术

在电子商务推荐系统中，其往往只会简单地给出“购买了该产品的用户也购买了”等简单的模板式推荐理由；在社交网站下相关的推荐系统中，则可以看到诸如“你的好友也查看了该内容”等基于社交关系的推荐理由，然而，过度简化的一成不变的推荐理由难以为用户提供个性化的解释，降低了用户对推荐理由的信任度。

传统的推荐算法，比如协同过滤，logistic回归等线性模型，都具备良好的可解释性，但随着深度学习在推荐领域的应用，使用深度网络，广度网络进行点击率预估的方法逐渐成为当前商用推荐系统的主流方案，由于深度学习的“黑盒”特性，基于深度学习的推荐系统的可解释往往非常难。

虽然已经有一些专门为了保证解释性而设计的深度模型，但实际中的应用并不广泛。对于现有的推荐系统，为了提高系统的可解释性，而替换掉算法模型，往往改造的风险和成本都很高。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于推荐系统的无侵入个性化解释方法及系统，以解决现有技术中基于深度学习推荐系统的可解释性很难的技术问题。

为解决上述技术问题，本发明是采用下述技术方案实现的：

一种基于推荐系统的无侵入个性化解释方法，包括：

获取推荐系统的召回策略、用户侧信息，以及根据用户侧信息由召回策略所推选出的物品侧信息；

对用户侧信息和物品侧信息进行特征提取，并根据召回策略计算特征的重要性；

对特征的重要性进行排序，并根据排序结果提取多个重要征特；

根据重要特征，配置话术模板；

融合特征和话术模板，生成推荐原因解释。

作为本发明的一种优选技术方案，所述推荐原因解释通过推荐系统进行生成；

或，通过推荐系统的孪生模型进行生成。

作为本发明的一种优选技术方案，根据召回策略计算特征的重要性包括：

获取推荐系统的编码方式；

选择与推荐系统编码方式对应的特征的重要性计算方式，得到特征的重要性信息。

作为本发明的一种优选技术方案，所述特征的重要性计算方式至少包括对基于one-shot编码的推荐系统进行特征重要性计算，和对基于向量嵌入形式编码的推荐系统进行重要性计算。

作为本发明的一种优选技术方案，对基于one-shot编码的推荐系统进行特征重要性计算的公式为：

其中，s(x_i)为特征的总要性，y为点击率预测结果，x_i为输入的第i个特征。