好奇还是保守：基于动态好奇心感知的可解释推荐系统

《ACM Transactions on Recommender Systems》：Curious or Conservative: Dynamic Curiosity-aware Explainable Recommendation

可解释推荐系统需捕捉用户动态好奇心以提升信任度，本文提出DCER模型：通过多视角表示学习建模时序交互，结合动态好奇心增强推荐机制，采用自适应规则指导的混合解释生成策略，实现个性化且反映用户心理状态的解释。实验验证其有效性。

　　

摘要

可解释推荐系统因其能够提升用户信任度和满意度而备受关注。用户的好奇心对推荐结果的准确性和解释的有效性有着重要影响。不同的目标用户具有不同水平的好奇心，而且同一用户的好奇心也会动态变化。然而，现有的技术无法从历史用户-物品交互数据中捕捉到用户的动态好奇心，从而无法实现有效的可解释推荐。在本文中，我们提出了一种新的可解释推荐方法，即动态好奇心感知的可解释推荐（DCER）。具体而言，我们首先提出了一种新的多视图表示学习方法来模拟用户与物品之间的时间序列交互；接着，我们提出了一种基于好奇心的推荐算法，以动态捕捉用户的好奇心，从而提升推荐质量；最后，我们提出了一种自适应的规则引导型混合解释生成策略，该策略能够提供更加个性化的解释，并准确反映用户交易背后的动态心理状态。实验结果证明了我们所提出模型的高有效性。