推薦系統(tǒng)的目標(biāo)是為用戶推薦可能會(huì)感興趣的標(biāo)的物。通過算法推薦達(dá)到節(jié)省用戶時(shí)間、提升用戶滿意度、為公司創(chuàng)造更多的商業(yè)價(jià)值的目的。

要想達(dá)到這個(gè)目的就需要讓用戶信任你的推薦系統(tǒng)，只有信任了，用戶才會(huì)經(jīng)常使用推薦系統(tǒng)。

那么我們?cè)鯓幼龅阶層脩粜湃文兀?/p>

一種比較好的方法是為用戶推薦標(biāo)的物的同時(shí)給用戶提供推薦的理由，向用戶解釋清楚是基于什么原因給他推薦的。

那怎樣在推薦的同時(shí)提供推薦的理由呢？

這就是本文的主題，下面作者會(huì)給大家提供一套構(gòu)建可解釋推薦系統(tǒng)的策略和方法。

本文會(huì)從可解釋性推薦系統(tǒng)簡介、構(gòu)建可解釋性推薦系統(tǒng)的方法、常用工業(yè)級(jí)推薦產(chǎn)品的推薦解釋、更好的理解和落地推薦解釋需要思考的問題、構(gòu)建可解釋性推薦系統(tǒng)面臨的挑戰(zhàn)與機(jī)遇等5個(gè)部分來講解。

希望讀者讀完本文后對(duì)可解釋性推薦系統(tǒng)有一個(gè)大致了解，并且知道有哪些方法可以用來構(gòu)建可解釋性推薦系統(tǒng)。

1

可解釋性推薦系統(tǒng)簡介

▌01.什么是推薦解釋

所謂推薦解釋，就是在為用戶提供推薦的同時(shí)，給出推薦的理由。

人類是一個(gè)非常好奇的物種，不滿足于只知道結(jié)論，一定會(huì)對(duì)引起結(jié)論的原因感興趣，往往特別想知道個(gè)中的理由。小孩從會(huì)說話時(shí)起就會(huì)問各種為什么。對(duì)社會(huì)和環(huán)境的好奇，才會(huì)引起人類的探索欲，從而更好的理解和認(rèn)知這個(gè)世界，這可能是生物進(jìn)化的自然選擇吧。

在現(xiàn)實(shí)生活中，我們經(jīng)常會(huì)為朋友做推薦或者讓別人幫我們推薦，比如推薦旅游地、推薦電影、推薦書籍、推薦餐廳等。現(xiàn)實(shí)生活中的推薦，大家都會(huì)給出推薦原因的，比如推薦餐廳，我們會(huì)說這家環(huán)境好、好吃、衛(wèi)生等等。

對(duì)于互聯(lián)網(wǎng)上的推薦產(chǎn)品，相信大家不陌生。你在亞馬遜上買書時(shí)，系統(tǒng)會(huì)給你推薦書，你在頭條上看新聞時(shí)，系統(tǒng)會(huì)為你推薦其他的新聞。隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展和成熟，個(gè)性化推薦無處不在，變成了任何一個(gè)toC互聯(lián)網(wǎng)公司的標(biāo)配技術(shù)。

下面圖1是我們公司一個(gè)推薦產(chǎn)品，“看過該電影的人還喜歡”就是一類推薦解釋。

圖1：互聯(lián)網(wǎng)視頻行業(yè)的推薦解釋

其實(shí)解釋可以拓展到更廣泛的互聯(lián)網(wǎng)業(yè)務(wù)場景中，比如搜索中的高亮顯示，讓用戶一眼就可以看到展示的搜索內(nèi)容跟用戶輸入的關(guān)鍵詞的聯(lián)系，也算是一種解釋。

▌02.推薦解釋的價(jià)值

我們?cè)跒閯e人提供推薦時(shí)如果給出推薦的理由，會(huì)增加別人的認(rèn)可度和接受度，沒有解釋和理由的推薦是缺乏足夠說服力的。

互聯(lián)網(wǎng)上的虛擬物品的推薦，如果能夠做到像線下推薦那樣，不光給出推薦并且能夠提供推薦的解釋，說明推薦的原因時(shí)，就可以提升推薦系統(tǒng)的透明度，還能夠提升用戶對(duì)推薦系統(tǒng)的信任度和接受度，進(jìn)而提升用戶對(duì)推薦產(chǎn)品的滿意度。

很多特殊行業(yè)，是必須要對(duì)算法模型具備解釋能力的，比如金融、醫(yī)學(xué)、風(fēng)控等，不然用戶是無法接受你的推薦的。這里舉個(gè)例子說明解釋的重要性和必要性：一個(gè)用戶得了很嚴(yán)重的病，你推薦一個(gè)藥物給他，你說這個(gè)藥物療效很好，但是說不出它為什么有效，用戶是不會(huì)接受你的推薦的。

▌03.互聯(lián)網(wǎng)推薦產(chǎn)品的推薦解釋模型

對(duì)于互聯(lián)網(wǎng)的推薦模塊，我們可以在推薦業(yè)務(wù)流(不熟悉的讀者可以參考《推薦系統(tǒng)的工程實(shí)現(xiàn)》)的哪些階段為用戶生成推薦解釋呢？

我們從推薦業(yè)務(wù)流的次序上可以將推薦解釋分為在模型訓(xùn)練過程中生成解釋(事先解釋)和推薦結(jié)果生成后做解釋(事后解釋)，具體參考下面圖2：

圖2：在推薦算法的不同階段做推薦解釋

其中，在模型訓(xùn)練過程中生成推薦解釋又分為兩種情況：

一種是將推薦和解釋看成是兩個(gè)優(yōu)化目標(biāo)，通過協(xié)同訓(xùn)練來同時(shí)優(yōu)化兩個(gè)目標(biāo)。

另一種情況是解釋過程嵌入到推薦過程中，解釋和推薦過程耦合在一起，融為一體，集成為一個(gè)模型訓(xùn)練。往往這類解釋方法會(huì)讓整個(gè)系統(tǒng)更加復(fù)雜，讓整個(gè)建模過程難度加大，訓(xùn)練消耗的資源更多，訓(xùn)練時(shí)間更長，但是可以提升整個(gè)模型的可解釋性。

在計(jì)算推薦結(jié)果后生成推薦解釋，基于給用戶的推薦結(jié)果，從中找出用戶跟推薦標(biāo)的物之間的某種內(nèi)在聯(lián)系，基于該關(guān)系做推薦解釋。該方案基本將推薦過程和解釋過程解耦，工程實(shí)現(xiàn)上更加簡單，也更加容易讓用戶理解和接受。

▌04.推薦解釋的形式

推薦解釋可以是具備強(qiáng)烈的因果關(guān)系的，也可能是邏輯性沒那么強(qiáng)的“牽強(qiáng)附會(huì)”。比如，“因?yàn)槟阆矚gA，而A和B很相似，所以給你推薦B”就是邏輯很嚴(yán)密的一種推薦解釋。而“因?yàn)榻裉煜掠辏越o你推薦A”這就是一類比較隨意的推薦解釋。

推薦解釋的展現(xiàn)形式可以是文字、圖片、視頻、音頻等，文字是最常用的方式。不同的產(chǎn)品形態(tài)可以采用不同的形式，比如如果是電臺(tái)，可以采用音頻的方式給用戶做推薦解釋。

推薦系統(tǒng)一般會(huì)為用戶生成一個(gè)標(biāo)的物列表。在具體做推薦解釋時(shí)，可以為每個(gè)推薦的標(biāo)的物做不同的解釋，當(dāng)用戶聚焦在推薦的標(biāo)的物時(shí)，可以展現(xiàn)出推薦解釋的理由，或者對(duì)這一系列標(biāo)的物做統(tǒng)一一致的解釋，上面圖1就是對(duì)整個(gè)推薦模塊做統(tǒng)一的推薦解釋。

▌05.推薦解釋的現(xiàn)狀

不論是推薦系統(tǒng)的工程實(shí)踐還是學(xué)術(shù)研究，在推薦解釋上的研究和投入較少，在真實(shí)的推薦產(chǎn)品落地上也不太關(guān)注推薦解釋。

之所以出現(xiàn)這種情況，主要是大家都將精力放到提升推薦系統(tǒng)的精準(zhǔn)性上，比較少的站在用戶的角度來思考問題。對(duì)用戶來說，他不光希望給出推薦，還要說明為什么這么給他推薦，只有這樣用戶才更加認(rèn)可和信賴推薦系統(tǒng)。

有很多機(jī)器學(xué)習(xí)算法可以用于推薦系統(tǒng)，有些算法模型解釋性好，有些模型是很難做解釋的。

如logistic回歸，線性模型，是很好做解釋的，而深度學(xué)習(xí)目前基本是一個(gè)黑盒，很難做解釋。

不是所有人都是算法專家，能夠理解得了推薦原理的，這就要求在必須要求做解釋的業(yè)務(wù)場景，采用易于解釋的方法。比如金融反欺詐領(lǐng)域，一般就是用的logistic回歸模型，雖然它的效果不一定比深度學(xué)習(xí)方法好，但是很容易解釋最終結(jié)果和特征之間的依賴及變化關(guān)系。

推薦系統(tǒng)是一個(gè)非常復(fù)雜的工程體系，包含非常多的功能模塊，因此設(shè)計(jì)一個(gè)可解釋的推薦系統(tǒng)不是一件簡單的事情，需要我們投入足夠多的精力和聰明才智。下面我們就來說明怎么對(duì)推薦系統(tǒng)做解釋。

2

構(gòu)建可解釋性推薦系統(tǒng)的方法

推薦系統(tǒng)涉及到用戶、標(biāo)的物、用戶對(duì)標(biāo)的物的操作行為(點(diǎn)擊、購買、觀看、瀏覽等)三要素，而標(biāo)的物是具備一些顯式的特征的，用戶對(duì)標(biāo)的物的行為代表了用戶某種程度對(duì)具備該特征的標(biāo)的物的興趣。

基于上面的分析，推薦系統(tǒng)的解釋可以有如下三種具體實(shí)現(xiàn)方案。

參考下面圖3，可以更好地幫你理解下面的三種解釋方案。

圖3：基于推薦系統(tǒng)中標(biāo)的物與用戶的關(guān)系的三種可行的推薦解釋方案

▌01.基于用戶關(guān)系來做推薦解釋

我們可以通過各種方式建立兩個(gè)用戶之間的相互關(guān)系，如果我們能夠挖掘出這種聯(lián)系，就可以用這種關(guān)系做推薦解釋。下面是常見的三種基于用戶關(guān)系做推薦解釋的方法。

a.基于真實(shí)社交關(guān)系做推薦解釋

對(duì)于社交類產(chǎn)品，如微信、脈脈等，好友關(guān)系是可以很自然地用于推薦解釋的。

微信“看一看”中的“朋友在看”就是一種基于社交關(guān)系的推薦解釋(見下面圖4)。因?yàn)槟愕暮糜芽催^，所以你至少對(duì)該推薦不會(huì)反感，也一眼就知道微信為什么給你推薦這個(gè)，這種推薦解釋非常直接、一目了然，無需多解釋，并且朋友的親密程度越高推薦被用戶接受的可能性越大。

圖4：微信“看一看”中基于社交關(guān)系的推薦解釋，打碼的地方就是朋友點(diǎn)過“在看”的

b.基于用戶的行為建立兩個(gè)用戶之間的關(guān)系，進(jìn)而做推薦解釋

對(duì)于非社交類產(chǎn)品，我們可以通過用戶在產(chǎn)品上的行為來構(gòu)建用戶關(guān)系，比如兩個(gè)用戶喜歡同樣的標(biāo)的物，有同樣的行為特征，我們可以認(rèn)為這兩個(gè)用戶是相似的用戶，雖然可能他們根本不認(rèn)識(shí)。

我們可以利用“跟你興趣相似的用戶也喜歡B”或者“喜歡A的用戶也喜歡B”等文字描述來做推薦解釋。

上面的圖1就是這類推薦解釋。

c.基于用戶畫像做推薦解釋

如果我們對(duì)用戶有比較好的了解，構(gòu)建了一套完善的用戶畫像系統(tǒng)，基于用戶畫像我們就可以找到與該用戶相似的用戶，這樣就可以利用b中的方式來做推薦解釋。

比如，美團(tuán)在給你推薦餐廳時(shí)，會(huì)基于你當(dāng)前所在的位置來做推薦，你當(dāng)前所在的位置就是一類畫像信息。

▌02.基于標(biāo)的物相似關(guān)系來做推薦解釋

如果用戶喜歡某個(gè)標(biāo)的物A，標(biāo)的物A跟B又相似，那么我們就可以利用A與B的相似性來做推薦解釋，這時(shí)解釋的邏輯就是“因?yàn)槟阆矚gA，A和B是相似的，所以我們猜你也喜歡B”。

我們可以有如下兩類方法來構(gòu)建標(biāo)的物之間的相似關(guān)系：

a.基于內(nèi)容特征構(gòu)建標(biāo)的物之間的關(guān)系

例如視頻的標(biāo)題，演職員，標(biāo)簽等metadata信息。我們可以利用TF-IDF、主題模型等算法構(gòu)建標(biāo)的物之間的相似關(guān)系。

b.基于用戶的行為構(gòu)建標(biāo)的物之間的關(guān)系

基于用戶對(duì)標(biāo)的物的操作(觀看、購買、點(diǎn)擊等)行為，利用嵌入模型可以構(gòu)建標(biāo)的物之間的相似關(guān)系。另外，可以從用戶的評(píng)論信息中提取出標(biāo)簽、關(guān)鍵詞等信息，利用a中的方法構(gòu)建標(biāo)的物之間的相似關(guān)系。

▌03.基于標(biāo)簽來解釋

從上面圖3可以看到，標(biāo)的物是包含一些特征標(biāo)簽的，可以基于用戶對(duì)標(biāo)的物的行為為用戶打上偏好標(biāo)簽。

因此我們可以通過顯示的標(biāo)簽來建立用戶和標(biāo)的物之間的聯(lián)系，進(jìn)而通過這些標(biāo)簽來做推薦解釋，具體的實(shí)現(xiàn)方案有如下4類。

a.通過標(biāo)簽建立用戶與標(biāo)的物之間的關(guān)系，從而做推薦解釋

用戶喜歡什么標(biāo)簽，他自己肯定是知道的，他在產(chǎn)品上的行為就是他真實(shí)興趣的反饋。

比如用戶喜歡看科幻、恐怖電影，那么“科幻”、“恐怖”就是用戶的興趣標(biāo)簽。那么我們就可以將這類電影推薦給用戶。我們只要以文字的形式，在推薦中展示這些標(biāo)簽，就起到了推薦解釋的作用。

下面圖5是電視貓電影頻道首頁的主題推薦，基于用戶的標(biāo)簽偏好來為用戶生成推薦結(jié)果，這里只是將標(biāo)簽直接展示出來(見下圖的紅色橢圓圈)作為推薦解釋，其實(shí)可以有更好的方式.

比如“因?yàn)槟憬?jīng)常看愛情電影”就是一句較完整的推薦解釋話術(shù)，比單純展示標(biāo)簽更有說服力。

圖5：利用標(biāo)簽做推薦解釋的主題推薦

b.通過用戶自身的標(biāo)簽做推薦解釋

用戶自身是具備一些標(biāo)簽的，比如年齡，學(xué)習(xí)，受教育程度等，我們可以利用這類標(biāo)簽來生成推薦解釋。

比如你是金牛座，“金牛座的人都愛看電影A”就是這類推薦解釋，這類解釋可能比較牽強(qiáng)。

c.基于標(biāo)的物自身的標(biāo)簽做推薦解釋

與b類似，標(biāo)的物自身的一些標(biāo)簽也可以作為生成推薦解釋的理由。

比如，這箱水果很便宜，便宜就是水果的標(biāo)簽，系統(tǒng)在推薦給你時(shí)，可以用“這箱水果很便宜，所以推薦給你”做為推薦解釋。這類推薦不涉及用戶行為，直接基于標(biāo)的物特性做推薦解釋。

d.基于用戶瀏覽標(biāo)的物后的評(píng)論做推薦解釋

很多互聯(lián)網(wǎng)產(chǎn)品都具備評(píng)論的功能，如果將每個(gè)標(biāo)的物的評(píng)論信息收集起來，通過NLP技術(shù)處理，從中提取出關(guān)鍵詞標(biāo)簽，并根據(jù)用戶評(píng)論的正負(fù)反饋及評(píng)論次數(shù)，可以給提取的關(guān)鍵詞賦予權(quán)重。

那么我們就可以利用這些權(quán)重大的關(guān)鍵詞來作為標(biāo)的物的推薦解釋，因?yàn)檫@些關(guān)鍵詞標(biāo)簽是用戶的真實(shí)反饋，往往具備非常好的解釋效果。

除了這三類在推薦系統(tǒng)中涉及到的“當(dāng)事方”作為推薦解釋外，我們還可以采用各種其他的推薦解釋方式。

下面列舉幾類可行的推薦解釋策略。

▌04.基于環(huán)境來解釋

這類基于環(huán)境的推薦解釋，可以結(jié)合時(shí)間、天氣、地域、用戶心情、場所、上下文等各類環(huán)境來做推薦解釋。

比如“你在人民廣場附近，給你推薦附近的美食店”、“適合深夜看的電影”等這類推薦解釋就是基于環(huán)境的解釋。

▌05.基于科學(xué)知識(shí)、科學(xué)實(shí)驗(yàn)結(jié)果的解釋

有科學(xué)證據(jù)表明晚上“睡前喝點(diǎn)紅酒有助于睡眠”，我們可以用這類被驗(yàn)證或者被大多數(shù)人認(rèn)可的科學(xué)知識(shí)來作為推薦解釋。比如你晚上在瀏覽淘寶，淘寶給你推薦了一瓶紅酒，其實(shí)可以用“晚上喝一點(diǎn)紅酒、有利于睡眠”來作為推薦解釋。

▌06.基于權(quán)威人士、明星效應(yīng)的解釋

權(quán)威人士的觀點(diǎn)大家更愿意信任，這就是為什么很多牙膏廣告不是請(qǐng)明星，而是一個(gè)穿白大褂的醫(yī)生打扮的人做廣告，是為了提升大家對(duì)該牙膏效果的認(rèn)可。同樣，明星有很大的光環(huán)效應(yīng)，大眾更容易追隨。因此，我們可以利用權(quán)威人士及明星的這種效應(yīng)來做推薦解釋。比如你女朋友在瀏覽淘寶看到一條裙子，系統(tǒng)可以用“這款裙子趙麗穎穿起來很好看，所以推薦給你”作為推薦解釋。

▌07.基于大眾行為的推薦解釋

人都是有從眾心理的，大家都喜歡的，你也喜歡的可能性會(huì)很大。基于這個(gè)原則也可以做推薦解釋，我們可以用標(biāo)的物被用戶喜歡(觀看視頻、購買商品等)的次數(shù)來作為推薦解釋的理由。

比如“這部電影有2000萬人看過，所以推薦給你”，“該商品有589人購買，所以推薦給你”等。作者最近在淘寶上買了一個(gè)防藍(lán)光眼睛，下圖中的“總銷量：298”其實(shí)就是一種推薦解釋。

圖6：基于用戶行為統(tǒng)計(jì)的推薦解釋

上面我們介紹完了可行的推薦解釋方法，那么下面我們結(jié)合工業(yè)上的推薦產(chǎn)品形態(tài)講解怎么利用上面的推薦解釋方法來做推薦解釋。

3

常用工業(yè)級(jí)推薦產(chǎn)品的推薦解釋

作者在《推薦系統(tǒng)的工程實(shí)現(xiàn)》第五節(jié)中講到推薦系統(tǒng)在工業(yè)上的應(yīng)用一般有五種范式：完全個(gè)性化范式、群組個(gè)性化范式、非個(gè)性化范式、標(biāo)的物關(guān)聯(lián)標(biāo)的物范式、笛卡爾積范式。

這五種范式基本囊括了絕大多數(shù)推薦產(chǎn)品形態(tài)。我們下面分別根據(jù)不同的推薦范式來說明怎么做推薦解釋。

▌01.完全個(gè)性化范式

完全個(gè)性化推薦范式就是為每個(gè)用戶生成不同的推薦結(jié)果。個(gè)性化推薦主要有“基于內(nèi)容的推薦”、“協(xié)同過濾”、“基于模型的推薦”三大類推薦算法。這里我們分別說說怎么對(duì)他們做推薦解釋。

a.基于內(nèi)容的推薦

該類推薦算法不依賴于其他用戶的行為，只根據(jù)用戶自己的歷史行為，為用戶推薦與自己曾經(jīng)“喜歡過”(播放過的視頻、購買過的物品等等)的標(biāo)的物相似的標(biāo)的物。這時(shí)推薦解釋可以基于用戶對(duì)內(nèi)容的喜好來做解釋。

這類推薦解釋是在構(gòu)建推薦模型時(shí)就可以生成推薦解釋的，因?yàn)槲覀兪腔谟脩粝矚g的標(biāo)的物相似的標(biāo)的物來為用戶做推薦的。形式上可以描述為“用戶喜歡過標(biāo)的物A，而A跟B很相似，所以推薦B給用戶”。

還有一種形式是從文本信息中抽提出標(biāo)簽，基于標(biāo)簽做內(nèi)容推薦，而不是直接基于標(biāo)的物之間的相似關(guān)系。形式上可以描述為“用戶喜歡具備特征X的標(biāo)的物，而B剛好具備特征X，所以推薦B給用戶”。

常用的形式是主題推薦(參考上面的圖5)，將用戶最喜歡的標(biāo)簽計(jì)算出來，為每個(gè)標(biāo)簽關(guān)聯(lián)一個(gè)標(biāo)的物列表，最終形成用戶的推薦。Netflix首頁上即是采用這種推薦形式，Netflix首頁的PVR算法，在每個(gè)用戶的首頁生成約40行推薦，每行是一個(gè)主題，這個(gè)主題即是用戶的興趣“基因”，可以完美地作為該行推薦的推薦解釋語(參考后面的文獻(xiàn)11)。

基于內(nèi)容的推薦解釋采用的策略就是第二部分的2.a和3.a策略。可以采用事先解釋的方法，在構(gòu)建推薦模型時(shí)生成解釋。

b.協(xié)同過濾

協(xié)同過濾是最有名的推薦算法了，算法相對(duì)簡單，效果還不錯(cuò)，目前在工業(yè)界也大量使用。主要分為基于用戶的協(xié)同過濾和基于物品(標(biāo)的物)的協(xié)同過濾。我們用下圖來說明這兩類協(xié)同過濾算法。

圖7：基于用戶的協(xié)同過濾與基于標(biāo)的物的協(xié)同過濾

基于用戶的協(xié)同過濾，先找到與該用戶最相似的用戶，將相似用戶喜歡但是該用戶未產(chǎn)生行為的標(biāo)的物推薦給該用戶。可以采用“跟你興趣相似的人都喜歡A，所以給你推薦A”這種方式做推薦解釋。

即是利用第二部分的1.a策略來做推薦解釋。可以采用事后解釋的方法，在生成推薦結(jié)果后給出推薦解釋。

基于物品的協(xié)同過濾，先計(jì)算標(biāo)的物之間的相似度，將與用戶喜歡的標(biāo)的物相似的標(biāo)的物推薦給用戶。

我們?cè)跇?gòu)建協(xié)同過濾模型時(shí)，可以知道待推薦的標(biāo)的物A是跟用戶曾經(jīng)喜歡過的B是相似的，所以在做推薦解釋時(shí)，解釋語可以描述為“你曾經(jīng)喜歡過B，所以給你推薦相似的A”。

即是利用第二部分的2.b策略來做推薦解釋，可以采用事先解釋的方法，在構(gòu)建推薦模型時(shí)生成解釋。

c.基于模型的推薦

基于模型的推薦算法有很多，比如logistic回歸、矩陣分解、深度學(xué)習(xí)等。像深度學(xué)習(xí)這類偏黑盒的模型解釋性會(huì)比較困難，我們這里不做介紹，有興趣的讀者可以參考后面的參考文獻(xiàn)。矩陣分解算法原理雖然簡單，但是分解后的矩陣包含的隱式特征是很難跟現(xiàn)實(shí)中的實(shí)體概念對(duì)應(yīng)的，也較難做出推薦解釋，這里也不介紹。在這里我只對(duì)logistic回歸推薦算法做推薦解釋，他們也是常用的推薦算法模型。

logistic回歸的推薦解釋

利用logistic回歸構(gòu)建推薦算法模型，具體模型如下面公式，其中p是用戶喜歡某個(gè)標(biāo)的物的概率，是權(quán)重，是需要學(xué)習(xí)的模型參數(shù)，是特征i的值。

其中包括3大類特征(拿視頻推薦來舉例)，用戶相關(guān)特征(用戶年齡、性別、地域、是否是會(huì)員等)，標(biāo)的物相關(guān)特征(如導(dǎo)演、演職員、標(biāo)簽、年代、是否獲獎(jiǎng)、豆瓣評(píng)分、是否是會(huì)員節(jié)目等)，其他特征(如用戶是否看過該視頻、用戶是否收藏、是否點(diǎn)贊、用戶手機(jī)型號(hào)等)。

我們可以通過下述公式計(jì)算待推薦標(biāo)的物的p值來決定是否推薦A，比如如果p>0.5(當(dāng)然可以選擇0.6等其他值)，就認(rèn)為用戶喜歡A。

當(dāng)我們訓(xùn)練好logistic回歸推薦模型后，我們可以用如下方式做推薦解釋：

如果給用戶推薦了標(biāo)的物A，而標(biāo)的物A取值非空的特征為

而對(duì)應(yīng)的權(quán)重為

我們可以選擇權(quán)重最大的那個(gè)特征作為給用戶推薦A的解釋。比如權(quán)重最大的特征是導(dǎo)演姜文，你可以用“因?yàn)槟阆矚g姜文，該片是姜文拍的，所以給你推薦”作為推薦解釋的話術(shù)。

logistic算法的推薦解釋采用的策略本質(zhì)上是3.a策略。可以采用事先解釋的方法，在構(gòu)建推薦模型時(shí)生成解釋。

▌02.群組個(gè)性化范式

群組個(gè)性化推薦，首先會(huì)將用戶按照某種方法或規(guī)則聚類(同一類的用戶在某些特性上相同或者相似)，得到用戶組。我們可以將用戶組看成一個(gè)個(gè)體，可以采用跟上面1類似的算法及解釋方法，這里不再細(xì)說。

▌03.非個(gè)性化范式

非個(gè)性化范式就是為所有用戶生成一樣的推薦，常見的有排行榜等推薦形態(tài)。一般推薦的是熱門的標(biāo)的物或者最新上線的標(biāo)的物。

這類推薦的解釋非常簡單，可以直接用“熱門推薦”或者“最新款推薦”等話術(shù)。用戶也非常容易理解和認(rèn)可。

▌04.標(biāo)的物關(guān)聯(lián)標(biāo)的物范式

該范式就是當(dāng)用戶訪問某個(gè)標(biāo)的物的詳情頁時(shí)，推薦一組可能存在相關(guān)關(guān)系的標(biāo)的物。這組標(biāo)的物可能是跟原標(biāo)的物相似的標(biāo)的物。

最常見的產(chǎn)品形態(tài)就是相似推薦。如下圖就是電視貓上“雙重約會(huì)”的相似推薦。這里給出的標(biāo)題是“相似影片”，其實(shí)這4個(gè)字也可以看成是推薦解釋。這里如果要對(duì)列表中的每個(gè)節(jié)目做推薦解釋，需要生成“雙重約會(huì)”跟下面推薦的所有節(jié)目之間的相似關(guān)系。

該范式就是利用第二部分2的策略來做推薦解釋。

圖8：視頻節(jié)目的相似推薦

作者最近在亞馬遜上買了一本《從一到無窮大:科學(xué)中的事實(shí)和臆測(中譯本)》，下面就是瀏覽該書購買后的頁面亞馬遜給出的推薦。這里可以看到亞馬遜給出了兩類推薦，“經(jīng)常一起購買的商品”和“瀏覽此上面的顧客也同時(shí)瀏覽”。

這兩類推薦都屬于標(biāo)的物關(guān)聯(lián)標(biāo)的物范式，“經(jīng)常一起購買的商品”和“瀏覽此商品的顧客也同時(shí)瀏覽”這兩句話可以認(rèn)為是推薦解釋語，它是基于用戶行為的解釋。

圖9：兩類標(biāo)的物關(guān)聯(lián)標(biāo)的物推薦范式的推薦解釋

▌05.笛卡爾積范式

笛卡爾積范式的推薦產(chǎn)品形態(tài)，為每個(gè)用戶在每個(gè)標(biāo)的物詳情頁上給出不一樣的推薦列表。所以可以結(jié)合完全個(gè)性化范式和標(biāo)的物關(guān)聯(lián)標(biāo)的物范式的推薦解釋策略做推薦。這里不再詳細(xì)介紹。

4

更好地理解及落地推薦解釋需要思考的問題

在構(gòu)建推薦系統(tǒng)解釋時(shí)，特別是將推薦解釋落地到現(xiàn)實(shí)業(yè)務(wù)中時(shí)，會(huì)遇到很多問題。要想很好的解決這些問題，真正讓推薦解釋產(chǎn)生業(yè)務(wù)價(jià)值，需要考慮很多工程落地的事情。下面對(duì)可能遇到的問題提供一些參考建議。

▌01.需要通過AB測試來驗(yàn)證推薦解釋的有效性

推薦解釋是對(duì)推薦產(chǎn)品功能的一種增補(bǔ)或者優(yōu)化，只要是推薦產(chǎn)品功能的優(yōu)化都需要驗(yàn)證優(yōu)化效果，這時(shí)就需要做AB測試了。

可以在具備推薦解釋和沒有推薦解釋之間做AB測試，在不同推薦解釋方案對(duì)比上也需要做AB測試。

總之，通過設(shè)定評(píng)估指標(biāo)，利用AB測試來驗(yàn)證指標(biāo)是否有提升，最終驗(yàn)證推薦解釋方案的有效性。

▌02.推薦解釋強(qiáng)依賴于推薦產(chǎn)品形態(tài)，不是任何推薦形態(tài)都必須要做解釋

推薦解釋是強(qiáng)依賴于推薦產(chǎn)品形態(tài)的，像相似推薦，是很容易做推薦解釋的，而對(duì)于個(gè)性化推薦就會(huì)更難一些。

個(gè)人覺得推薦解釋是個(gè)性化推薦產(chǎn)品的高級(jí)功能和特性，拙劣的推薦解釋是無法真正促進(jìn)推薦系統(tǒng)價(jià)值提升的。對(duì)于個(gè)性化推薦直接可以用“猜你喜歡”、“興趣推薦”這樣的詞匯(這些詞匯也算是一種抽象的推薦解釋)來描述你是為用戶做個(gè)性化推薦，讓用戶對(duì)你的推薦產(chǎn)品形成一種品牌效應(yīng)。如果推薦效果足夠好，用戶就能夠從推薦列表中找到自己喜歡的東西。

效果好的話用戶也是愿意經(jīng)常“光顧”的，沒有推薦解釋，也不會(huì)影響用戶對(duì)你的個(gè)性化推薦產(chǎn)品的認(rèn)可。特別是當(dāng)你的產(chǎn)品交互不是那么友好時(shí)(比如智能電視上的視頻推薦就是通過遙控器交互，交互體驗(yàn)較差)，很難在個(gè)性化產(chǎn)品中嵌入自然交互的方式，讓用戶感受到推薦解釋的存在。

▌03.從對(duì)模型解釋切換到對(duì)用戶角度來思考推薦解釋

推薦解釋可以從兩個(gè)角度來描述。

一個(gè)角度是解釋你的推薦模型是怎么做推薦的，讓用戶理解你推薦生成的機(jī)制，這類推薦解釋對(duì)于科研人員及推薦算法開發(fā)人員來說是有價(jià)值的，可以更好的知道算法的運(yùn)作原理，它可以幫助我們回答諸如為什么給我推薦這些、怎么改進(jìn)推薦效果、有哪些數(shù)據(jù)或者特征可以影響推薦的結(jié)果之類的問題。

但是，如果解釋的過程很復(fù)雜，不是“不用動(dòng)腦經(jīng)”就能想清楚的，你是無法在用戶訪問推薦服務(wù)時(shí)給用戶解釋清楚的，因?yàn)橛脩舳际恰皯械摹保辉敢馊ニ伎紡?fù)雜的問題。

這就引出了另外一個(gè)思考的維度，我們?cè)谡嬲龉I(yè)級(jí)推薦系統(tǒng)的推薦解釋時(shí)，是需要站在用戶角度思考的，畢竟我們做的東西是給用戶看的，對(duì)用戶有幫助，用戶覺得好才是真的好。對(duì)用戶來說，對(duì)推薦解釋直觀易懂是最重要的，用戶要能夠不加思考就能感受到解釋與推薦的標(biāo)的物之間的外在聯(lián)系。

▌04.推薦解釋的“價(jià)值觀“

我們做推薦解釋的意圖是什么？

即推薦解釋的“價(jià)值觀”是什么？

算法是人開發(fā)的，因此反映的是背后設(shè)計(jì)推薦解釋算法的人的“價(jià)值觀”。

如果你設(shè)計(jì)算法是KPI導(dǎo)向的，為了提升用戶對(duì)推薦的點(diǎn)擊，你可以用一些嘩眾取寵的方式來做解釋，解釋與推薦的標(biāo)的物也可以沒有啥邏輯關(guān)系，這種設(shè)計(jì)哲學(xué)有可能短期提升你的KPI，但是長期一定是不利于你的產(chǎn)品的。

我個(gè)人推崇的推薦解釋的價(jià)值觀是“輔助用戶決策”，什么意思呢？就是真的站在用戶的立場思考問題，幫助用戶決策，將推薦標(biāo)的物最真實(shí)的一面告訴用戶，包括好的一面和不好的一面，不要讓用戶點(diǎn)擊后感受到被騙的感覺。

現(xiàn)在很多做公眾號(hào)運(yùn)營的人，采用標(biāo)題黨，或者暴露的海報(bào)圖的方式，確實(shí)是“騙”用戶進(jìn)去了，用戶可能一時(shí)有一點(diǎn)點(diǎn)不爽，這個(gè)不爽很微小，不至于讓用戶馬上對(duì)你的公眾號(hào)反感，但是如果每次都是這樣，我相信日積月累，“微小的不爽”通過時(shí)間的沉淀，一定會(huì)爆發(fā)出來，最終用戶會(huì)放棄你的產(chǎn)品。

▌05.推薦解釋的說服力

其實(shí)推薦解釋的過程就是一次論證的過程，你將標(biāo)的物推薦給用戶，并且給出推薦的理由，如果用戶相信你的理由，用戶就會(huì)接受你的推薦。

所以，我們?cè)谧鐾扑]解釋時(shí)，理由一定是可以支撐結(jié)論的，可以讓用戶很容易感受到這種邏輯推理的關(guān)系。同時(shí)，理由本身也需要科學(xué)客觀。只有這樣，推薦解釋才有說服力。

▌06.其他維度的輔助用戶決策

除了給出推薦解釋理由外，還有很多其他的信息可以輔助用戶決策。我們可以從標(biāo)的物的詳情頁著手，在詳情頁增加足夠多的關(guān)鍵描述信息幫助用戶來判斷。

對(duì)于視頻推薦來說，海報(bào)圖、標(biāo)題、是否是會(huì)員、評(píng)分、有多少人看過、年代等信息是可輔助用戶做決策的。

我們不光是要展示正面的信息、對(duì)于不好的消息也要有所體現(xiàn)，如果這些信息可以在海報(bào)圖上全面的展示出來，就可以快速幫助用戶做決策，是否有必要點(diǎn)擊進(jìn)去看看。

下圖中用紅色圈標(biāo)出的信息及海報(bào)圖都是輔助用戶決策的要素。

圖10：輔助用戶決策的信息

5

構(gòu)建可解釋性推薦系統(tǒng)面臨的挑戰(zhàn)與機(jī)遇

為推薦系統(tǒng)生成推薦解釋是一個(gè)非常復(fù)雜的過程，也很有挑戰(zhàn)，目前也沒有非常有效統(tǒng)一的解決方案。下面是構(gòu)建推薦解釋可能會(huì)遇到的問題，以及推薦解釋未來的機(jī)遇。

▌01.混合推薦算法

目前很多推薦算法不是采用單一的推薦算法模型，是用很多模型通過級(jí)聯(lián)或者集成的方式為用戶提供個(gè)性化推薦，同時(shí)在特殊情況下(比如無行為的新用戶采用默認(rèn)推薦、接口請(qǐng)求失敗時(shí)采用備選策略等)會(huì)有一些特殊的處理。

這些復(fù)雜的現(xiàn)實(shí)情況，大大復(fù)雜化了推薦解釋的設(shè)計(jì)和實(shí)現(xiàn)。

▌02.實(shí)時(shí)個(gè)性化推薦

隨著頭條、抖音、快手等信息流/視頻流產(chǎn)品大行其道，目前很多產(chǎn)品都會(huì)采用近實(shí)時(shí)推薦策略，更加實(shí)時(shí)的反饋用戶興趣的變化。

這類推薦產(chǎn)品對(duì)時(shí)效性要求很高，要想在實(shí)時(shí)情況下給用戶做推薦的同時(shí)生成推薦理由，對(duì)整個(gè)系統(tǒng)的設(shè)計(jì)、處理提出了非常高的要求。

▌03.老板/數(shù)據(jù)產(chǎn)品經(jīng)理會(huì)更關(guān)注精準(zhǔn)度而不太重視解釋性

絕大多數(shù)公司老板或者數(shù)據(jù)產(chǎn)品經(jīng)理更在乎的是短期指標(biāo)的提升，很少意識(shí)到好的推薦體驗(yàn)會(huì)對(duì)用戶的留存有累積的價(jià)值，通過長期的好的推薦解釋體驗(yàn)，是可以提升用戶對(duì)推薦系統(tǒng)的信賴的。

由于這種提升需要做大量的AB測試及額外的算法開發(fā)，往往會(huì)被拒之門外。

▌04.黑盒推薦算法很難做解釋

隨著深度學(xué)習(xí)的流行，有越來越多的公司將深度學(xué)習(xí)算法應(yīng)用到推薦系統(tǒng)上，并且產(chǎn)生了非常不錯(cuò)的效果。深度學(xué)習(xí)最大的缺點(diǎn)是一個(gè)黑盒模型，對(duì)深度學(xué)習(xí)模型做出的決策，很難從模型內(nèi)部的數(shù)據(jù)交互及處理邏輯給出比較直觀易懂的解釋。

因此，這類推薦模型也非常難給出好的推薦解釋，當(dāng)前可解釋的機(jī)器學(xué)習(xí)是學(xué)術(shù)上一個(gè)比較熱門的研究課題。

▌05.普適的推薦解釋框架

從上面的介紹可以看到，推薦解釋目前還沒有一套完善的框架，基本是不同的算法，采用不同的推薦解釋策略，推薦解釋是強(qiáng)依賴于具體的推薦算法模型和業(yè)務(wù)場景的。

那么我們是否可以構(gòu)建一類通用的推薦解釋框架，可以適用于一大類或者所有的推薦算法模型呢？這確實(shí)是一個(gè)非常難并且相當(dāng)有挑戰(zhàn)的問題，也是一個(gè)很好的研究課題。

▌06.知識(shí)圖譜做解釋

前面講到推薦系統(tǒng)可以基于標(biāo)的物、用戶、特征為媒介來做推薦解釋(見上面的圖3)，對(duì)這三類媒介之間的關(guān)聯(lián)挖掘得還不夠。

其實(shí)利用知識(shí)圖譜，打通這三類媒介之間的關(guān)聯(lián)，根據(jù)具體情況靈活選擇其中最合適的媒介對(duì)用戶進(jìn)行推薦解釋。這樣，我們還可以產(chǎn)生形式更豐富的推薦解釋。

▌07.生成對(duì)話式解釋

目前的推薦解釋往往形式是預(yù)先設(shè)定、千篇一律的。

這樣盡管可以根據(jù)用戶心理給出解釋，但是在溝通方式上還過于呆板，跟日常生活中對(duì)話交互式的推薦解釋還有很大差距。

如果能用生成式模型讓推薦系統(tǒng)“生成”一句通順甚至高情商的話，就可以在與用戶互動(dòng)的過程中進(jìn)行靈活、多變的推薦解釋了。特別是隨著NLP技術(shù)的發(fā)展及語音交互場景的開拓，未來語音交互一定是最重要的一類交互方式。

到那時(shí)，利用推薦系統(tǒng)與人類進(jìn)行交互式推薦和解釋，可以大大提升用戶的滿意度。

6

寫在最后

本文基于作者多年推薦系統(tǒng)實(shí)踐經(jīng)驗(yàn)的理解并參考了相關(guān)文章，對(duì)推薦系統(tǒng)解釋做了較全面的梳理。

希望可以幫助讀者更好的理解推薦系統(tǒng)解釋的原理與背后的價(jià)值，讀完后能夠利用本文提供的方法去實(shí)踐推薦系統(tǒng)的解釋體系。

推薦系統(tǒng)解釋目前是一個(gè)偏學(xué)術(shù)的研究課題(附件是一些關(guān)于機(jī)器學(xué)習(xí)及推薦系統(tǒng)解釋的材料及論文，有興趣的讀者可以自行學(xué)習(xí)參考)，在工業(yè)實(shí)踐上也沒有這么重視。

雖然作者以前在真實(shí)產(chǎn)品中落地過推薦解釋系統(tǒng)，但自認(rèn)為對(duì)這一塊還只知道一點(diǎn)皮毛，不當(dāng)之處在所難免，歡迎大家一起交流探討。