推荐系统的研究问题可分成5W，可解释性推荐主要是回答why这个问题。
- when time-aware recommendation
- what application-aware recommendation
- who social recommendation
- where location-based recommendation
- why explainable recommendation
摘要
可解释性推荐是在给用户提供推荐的同时，也给用户解释为什么的一种个性化推荐方法，能够帮助提升推荐系统的效果、效率、说服性以及用户满意度。这篇文章主要综述了2018年以前的可解释性推荐的相关工作，本文的贡献如下（1）按照时间的顺序，对可解释性推荐研究进行综述，从早期的用户学习方法，到近期的基于model的方法。（2）将可解释性推荐方法进行了归类，包括user-based, item-based, model-based, 以及post-model explanations。（3）总结了可解释性推荐在不同领域的应用，包括product recommendation, social recommendation, POI recommendation等。（4）从广义的IR和机器学习角度分析可解释性推荐以及他们之间的联系。（5）最后提出了未来可探索的研究方向。
Section 1. Introduction
1.1 Historical review
尽管可解释推荐是由zhang等在2014年正式提出的，但是早期已有不少研究者在研究中已经对其有所涉及。例如， Schafer 等[1999] 提出推荐系统在给用户推荐时，会考虑该产品与用户过去喜欢的某些产品相似。Herlocker 等[2000] 通过对用户的问卷调查来解释MovieLens中协同过滤算法。
较早期的可解释性推荐的研究大都是基于content-based recommendation或者 collaborative-filtering (CF)。在Content-based 方法主要思想是把用户和被推荐项建模成一些可用的信息属性，例如电商中的价格、颜色、商品品牌或是电影中的流派、导演、时长等(Balabanović and Shoham [1997], Pazzani and Billsus [2007])。一般来说，在content-based方法中被推荐项的内容特征更容易理解，即对于用户而言，为什么该项目从众多候选中被推荐出来。直观来讲，就是告知用户被推荐项的那些特定特征是他所感兴趣的。
但是，收集这样的内容信息是非常耗时耗力的，因此，Collaborative filtering (CF) based 方法则是期望通过利用群体智慧来避开这个困难 (Ekstrand et al. [2011])。User-based CF 是由GroupLens新闻推荐系统中Resnick等[1994]提出的，其主要思想是将用户表示成一个评分的向量，然后基于其他用户对于该项目的平均评分来预测缺失的用户评分。随后，item-based CF由Sarwar等[2001] 提出，Linden等[2003] 将其应用于Amazon 商品推荐系统中。Item-based CF 将每个被推荐项表示成评分的向量，然后基于相似项目的平均评分来预测缺失评分。User-based CF可被解释为“与你相似的人也喜欢这一项”，item-based CF可以解释为“这一项与你之前喜欢的项目相似”。
2008年Koren提出了Latent Factor Models (LFM)，随后Matrix Factorization (MF)-based CF开始盛行。虽然取得了很好的推荐效果，但是这些隐含因子却无法为推荐提供可解释性。
随后，研究者们开始了model-based explainable recommendation的研究。比较有代表性的是McAuley 和 Leskovec [2013] 将隐含维度与LDA中的隐含主题一一对应。Zhang 等[2014a] 正式的定义了可解释性推荐的问题，并提出来显示因子模型 Explicit Factor Model (EFM)，即将隐含维度与显示的商品特征一一对应。
1.2 Classification of the Methods
随后的介绍中，我们将从两个方面来介绍，（1）生成的解释类型，包括文本、视觉等（2）生成解释所依赖的模型，包括matrix factorization, topic modeling, graph-based, deep learning, knowledge-graph, association rules, 以及post-hoc models等。
Section 2. Different Forms of Explanations
解释的不同形式如图2.1所示。
2.1 User-based and Item-based Explanations
在user-based collaborative filtering (Resnick et al. [1994])中，Herlocker 等 [2000]尝试利用其邻居用户评分的聚合直方图来提供解释，如图2.2所示。
而在item-based collaborative filtering (Sarwar et al. [2001])中，可以利用与用户曾经喜欢的某些项之间的相似来为被推荐项提供解释，如图 2.3所半部分所示。
2.2 Content-based Explanation
Content-based 推荐可以在不同应用场景下通过不同item的内容信息来实现。例如，电影推荐中，可以利用体裁、演员、导演等特征；书籍推荐可以利用图书类型、价格、作者等特征。 content-based explanation通常的做法是利用被推荐项特征与目标用户兴趣属性相吻合来提供推荐解释。Vig 等et al. [2009] 利用标签作为内容特征进行推荐以及生成相应的解释，如图 2.4所示。
Hou等[2018] 使用雷达图来解释为什么某些项目被推荐给一个用户，为什么有些项目不被推荐给用户，如图2.5所示。如果一个项目被推荐了，那么它的多数特征应该符合目标用户的偏好。
另一方面，基于用户人口统计学特征的推荐也被用于解释推荐中，例如用户的age, gender,location等。例如Zhao et al. [2014] 以及Zhao et al. [2016] 的工作。
2.3 Textual Explanations
随着Web 2.0的发展，用户在互联网上的生成内容也是急剧增加，例如用户在电商网站上的评论以及在社会网络中的博文。这种信息有助于获得更加完善的用户倾向，并且可以用于提供细粒度和更加可信的推荐解释。基于这个动机，许多模型尝试利用不同的文本信息，通常生成文本句子作为解释。
相关的方法可以进一步分为基于特征和基于句子的解释。如图2.1，基于特征的解释，一般用产品的特征例如颜色、质量等，或者是用户的评分。基于句子的解释通常给用户一个句子，告诉他为什么相机镜头被推荐。
为了从文本中抽取产品特征和情感，zhang等[2014b]开发了一个情感抽取工具Sentires，可以从某个产品领域的产品评论中抽取“feature-oppion-sentiment”这样的三元组。例如，在手机领域，“noise-high-negative”，“screen-clear-positive”等。基于这个工具，zhang等提出了显示因子模型用于可解释性推荐，将feature-opinion对的词云作为解释。例如，“bathroom-clear”不仅暗示了项目的特征，同时也将用户在特征上的评分集合。这些情感增强的建模方法也被应用于POI Zhao et al. [2015] 和 social recommendation Ren et al. [2017]中。除了情感词和情感评分以外，产品特征的词云也可以作为解释。例如，Wu and Ester [2015] 利用主题模型进行可解释推荐，生成的主题词云在hotel的location,service以及room三个方面，如图2.6所示。
在sentence-level的方法中，用完整的、语义连贯的句子作为解释。句子可以由固定的模板来创建，如图2.7所示。
同时，文本解释句子也可以不用模板来生成，例如，Costa et al. [2017] 尝试利用LSTM生成item的评论解释，通过学习大规模用户评论数据，模型可以生成合理的评论作为解释，如图2.8所示。
Li 等[2017]利用GRU对某个项目的大量评论进行学习并生成摘要，如图2.9所示。尽管这些tips不是直接来自于可解释性推荐模型，但是他们对于用户理解这些项目的关键特征非常有帮助。
2.4 Visual Explanations
为了利用可视化图片，一些研究工作尝试利用产品图片作可解释推荐。特别的，Chen et al. [2018c] 提出了可视化的可解释推荐来突出产品图片中用户关注的区域，如图2.10和2.11所示。
2.5 Social Explanation
Park et al. [2017] 提出了UniWalk算法利用评分和社会网络来生成可解释和准确的产品推荐。如图2.13所示。
2.6 Hybrid Explanations
Kouki et al. [2017] 基于概率模型提出了一个混合推荐模型。为了完成可解释性的目标，作者利用混合模型分析用户在系统中的倾向。通过在线用户的调查，作者评价了文本、可视化以及图形化的解释，如图2.14所示。
Section 3. Explainable Recommendation Models
.
近来，流行的可解释推荐方法大都是基于模型的方法，如基于matrix/tensor factorization, factorization machines, topic modeling, 以及deep recommendation models，同时模型和推荐结果都是可解释的。
3.1 Matrix Factorization for Explainable Recommendation
基于矩阵分解的推荐早期都是基于隐含因子模型，但是由于隐含因子模型中的隐含因子没有可解释性。于是，Zhang et al. [2014a] 提出了Explicit Factor Model。EFM大致方法如图3.1所示。随后，Zhang et al .[2015b] 对EFM做了进一步的扩展。
Chen et al. [2016]将EFM扩展为tensor分解。作者通过抽取产品评论，得到user-item-feature cube，基于这个cube，通过pair-wise 的learning to rank的方法预测用户对于特征和项目的偏好。同时，模型后面还考虑了产品类别的进一步扩展，以缓解数据稀疏的问题。