【CIKM2020】推荐系统的神经模板解释生成

在信息过载的时代，个性化推荐系统对于辅助用户决策具有重要意义。同时，对推荐的解释进一步帮助用户更好地了解被推荐的项目，从而做出知情的选择，这就使得可解释的推荐研究变得非常重要。基于文本句子的解释由于能够向用户传递丰富的信息而成为推荐系统的一种重要的解释形式。然而，现有的句子解释生成方法要么局限于预定义的句子模板，这限制了句子的表现力，要么选择自由风格的句子生成，这使得句子质量难以控制。为了同时提高句子表达能力和质量，我们提出了一种神经模板解释生成框架，它通过从数据中学习句子模板，并生成评论特定特性的模板控制的句子，从而实现了两方面的优点。在真实数据集上的实验结果表明，NETE在句子质量和表达能力方面始终优于最新的解释生成方法。通过对案例研究的进一步分析，也可以看出NETE在产生多样化和可控解释方面的优势。