一种基于加权关联规则挖掘的推荐系统解释方法及设备技术方案

本发明专利技术公开了一种基于加权关联规则挖掘的推荐系统解释方法及设备，首先使用用户对项的评分数据来训练潜在因素推荐模型，基于训练好的潜在因素推荐模型，为每个用户生成

【技术实现步骤摘要】
一种基于加权关联规则挖掘的推荐系统解释方法及设备


[0001]本专利技术属于计算机科学和解释建模
，具体涉及一种基于加权关联规则挖掘
(WARM)
的推荐系统解释方法及设备
。

技术介绍

[0002]随着
5G
网络的发展，互联网上充斥着海量的信息，人们对推荐系统的依赖程度越来越高，这也对推荐系统的质量提出了更高的要求
。
高质量的推荐系统不仅要具有较高的预测精度，还要具有良好的可解释性
。
可解释性解释了为什么这些项目被推荐，这可以帮助用户做出正确的决定，从而增加他们对推荐系统的信心
。
[0003]现有的推荐解释模型大多考虑了推荐模型的可解释性，与推荐模型相耦合，将解释机制融入到推荐模型中，在推荐模型提供推荐项的同时生成解释
。
这种方法可以直接解释推荐模型的内部工作机制，但只针对特定的推荐模型，缺乏灵活性和泛化性
。
[0004]为了让解释模型具有灵活性和泛化性，有人提出了事后解释方法，将解释机制与推荐模型分离开来，在推荐模型提供推荐之后生成解释
。
事后解释虽然不能直接解释推荐模型的内部工作机制，但也能达到说服用户接受推荐的目的
。
事后解释方法可以适用于不同的推荐模型，具有灵活性和泛化性的特点
。
[0005]Ribeiro
等人提出了局部可解释模型不可知论解释
(LIME)
方法，以可解释的方式忠实地解释任何模型的预测
。Singh
和
Anand
从网络搜索的角度提出了学习排序算法的事后解释
。Wang
等人提出了一个模型不可知的强化学习框架来解释任何推荐模型
。Cheng
等人在潜在因素模型上对可解释推荐进行影响分析，提出了一种快速影响分析
(FIA)
解释方法
。Peake
和
Wang
提出了一种推荐系统潜在因素模型的事后可解释性方法，该方法使用关联规则来解释潜在因素模型提供的推荐
。
上述方法没有改变潜在因素模型本身，因此可以保持推荐的准确性，避免了准确性与可解释性之间的权衡
。
然而，它仍然有以下不足之处
。
首先，使用
Apriori
算法挖掘关联规则，关联规则的生成只考虑项目的出现频率，丢弃了用户对项目的评分；其次，它只关注大小为2的关联规则，只能生成项目级解释，这样会导致单一的解释风格和不好的用户体验
。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提出了一个基于加权关联规则挖掘的推荐系统解释方法及设备，用加权关联规则解释推荐项，将解释机制与推荐模型解耦，在推荐模型提供推荐项之后生成解释，可以应用于不同的潜在因素推荐模型
。
[0007]本专利技术的方法采用的技术方案是：一种基于加权关联规则挖掘的推荐系统解释方法，包括以下步骤：
[0008]步骤1：使用用户对项的评分数据来训练潜在因素推荐模型，基于训练好的潜在因素推荐模型，为每个用户生成
top
‑
N
个推荐项；其中，
top
‑
N
为预设值；
[0009]步骤2：将用户对项的评分数据以
<T
id
,{(I1,R1),
…
,(I
x
,R
x
)}>
的形式预处理成加
权事务数据，其中每条事务
T
id
表示一个用户，
I1～
I
x
表示与该用户交互过的项，
R1～
R
x
表示该用户对每一项的评分；
[0010]步骤3：将加权事务数据作为输入，使用加权关联规则挖掘算法生成加权关联规则；
[0011]步骤4：将每个用户的推荐项与加权关联规则相匹配，为用户生成个性化解释
。
[0012]作为优选，步骤1的具体实现包括以下子步骤：
[0013]步骤
1.1
：将用户评分数据划分为训练集和测试集；
[0014]步骤
1.2
：选择潜在因素推荐模型，并确认超参数；
[0015]步骤
1.3
：使用训练数据和超参数训练潜在因素推荐模型；
[0016]步骤
1.4
：使用测试数据评估潜在因素推荐模型的性能；
[0017]步骤
1.5
：使用训练好的潜在因素推荐模型为用户生成
top
‑
N
个推荐项
。
[0018]作为优选，步骤2中，获取用户对项的评分数据
<U
n
,I
n
,R
n
>
，其中
U
n
表示用户列，
U
n
I
n
表示项目列，
R
n
表示评分列，遍历每行数据，以
<T
id
,{(I1,R1),
…
,(I
x
,R
x
)}>
的形式预处理成加权事务数据
。
[0019]作为优选，步骤3的具体实现包括以下子步骤：
[0020]步骤
3.1
：计算加权事务
T
w
中的项目权重
w(is)
，生成加权1‑
候选项集
C1；
[0021][0022]其中，
is
j
表示项目集中的第
j
个项目，
c(i)
表示一个项目在事务中出现的次数；当项目集的大小为1时，项目权值
w(i)
是一个特殊的项目集权值
w(is)
，
c(i)
是一个特殊的
c(is)
；
[0023]步骤
3.2
：计算加权支持度
ws(is)
，从加权1‑
候选项目集
C1筛选出加权1‑
频繁项目集
F1；
[0024]ws(is)
＝
freq(is)*P
f
+(w(is)
‑
Θ
)*P
w
(2)
[0025][0026]其中，
P
f
为频率占比，
P
w
为权重占比，
P
f
和
P
w
的和等于1；
freq(is)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于加权关联规则挖掘的推荐系统解释方法，其特征在于，包括以下步骤：步骤1：使用用户对项的评分数据来训练潜在因素推荐模型，基于训练好的潜在因素推荐模型，为每个用户生成
top
‑
N
个推荐项；其中，
top
‑
N
为预设值；步骤2：将用户对项的评分数据以
<T
id
,{(I1,R1),
…
,(I
x
,R
x
)}>
的形式预处理成加权事务数据，其中每条事务
T
id
表示一个用户，
I1～
I
x
表示与该用户交互过的项，
R1～
R
x
表示该用户对每一项的评分；步骤3：将加权事务数据作为输入，使用加权关联规则挖掘算法生成加权关联规则；步骤4：将每个用户的推荐项与加权关联规则相匹配，为用户生成个性化解释
。2.
根据权利要求1所述的基于加权关联规则挖掘的推荐系统解释方法，其特征在于，步骤1的具体实现包括以下子步骤：步骤
1.1
：将用户评分数据划分为训练集和测试集；步骤
1.2
：选择潜在因素推荐模型，并确认超参数；步骤
1.3
：使用训练数据和超参数训练潜在因素推荐模型；步骤
1.4
：使用测试数据评估潜在因素推荐模型的性能；步骤
1.5
：使用训练好的潜在因素推荐模型为用户生成
top
‑
N
个推荐项
。3.
根据权利要求1所述的基于加权关联规则挖掘的推荐系统解释方法，其特征在于：步骤2中，获取用户对项的评分数据
<U
n
,I
n
,R
n
>
，其中
U
n
表示用户列，
I
n
表示项目列，
R
n
表示评分列，遍历每行数据，以
<T
id
,{(I1,R1),
…
,(I
x
,R
x
)}>
的形式预处理成加权事务数据
。4.
根据权利要求1所述的基于加权关联规则挖掘的推荐系统解释方法，其特征在于：步骤3的具体实现包括以下子步骤：步骤
3.1
：计算加权事务
T
w
中的项目权重
w(is)
，生成加权1‑
候选项集
C1；其中，
is
j
表示项目集中的第
j
个项目，

【专利技术属性】
技术研发人员：胡文斌，朱海锋，
申请(专利权)人：武汉大学，
类型：发明
国别省市：