简介：可解释推荐为用户和系统设计者提供解释，以促进更好的理解和决策，已成为一个重要的研究问题。在本文中，我们提出了反事实可解释推荐(CountER)，它将反事实推理从因果推理中引入到可解释推荐中。CountER能够表述解释的复杂性和强度，采用反事实学习框架为模型决策寻求简单(低复杂性)和有效(高强度)的解释。从技术上讲，对于向每个用户推荐的每一项商品，CountER提出一个联合优化问题，以在商品方面产生最小的变化，从而创建一个反事实商品，这样反事实商品的推荐决策就会被逆转。这些改变的方面解释了为什么要推荐原来的项目。反事实解释有助于用户更好地理解，也有助于系统设计者更好地调试模型。这项工作的另一个贡献是对可解释性的评价，这是一项具有挑战性的任务。幸运的是，反事实的解释非常适合标准的定量评价。为了衡量解释质量，我们设计了两种类型的评价指标，一种是从用户的角度(即用户为什么喜欢该商品)，另一种是从模型的角度(即该商品为什么被模型推荐)。我们将我们的反事实学习算法应用于一个黑盒推荐系统，并评估在五个真实数据集上生成的解释。结果表明，我们的模型比最先进的可解释推荐模型产生更准确和有效的解释。

链接：https://arxiv.org/pdf/2108.10539.pdf
代码地址：https://github.com/chrisjtan/counter
推荐理由：本文使用类似对抗训练的方法，给出了对于推荐系统的可解释方法，具有较高的参考价值。

内容中包含的图片若涉及版权问题，请及时与我们联系删除