【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 ...
【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,
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。