推薦系統(tǒng)的目標是為用戶推薦可能會感興趣的標的物。通過算法推薦達到節(jié)省用戶時間、提升用戶滿意度、為公司創(chuàng)造更多的商業(yè)價值的目的。

要想達到這個目的就需要讓用戶信任你的推薦系統(tǒng)，只有信任了，用戶才會經(jīng)常使用推薦系統(tǒng)。

那么我們怎樣做到讓用戶信任呢？

一種比較好的方法是為用戶推薦標的物的同時給用戶提供推薦的理由，向用戶解釋清楚是基于什么原因給他推薦的。

那怎樣在推薦的同時提供推薦的理由呢？

這就是本文的主題，下面作者會給大家提供一套構建可解釋推薦系統(tǒng)的策略和方法。

本文會從可解釋性推薦系統(tǒng)簡介、構建可解釋性推薦系統(tǒng)的方法、常用工業(yè)級推薦產(chǎn)品的推薦解釋、更好的理解和落地推薦解釋需要思考的問題、構建可解釋性推薦系統(tǒng)面臨的挑戰(zhàn)與機遇等5個部分來講解。

希望讀者讀完本文后對可解釋性推薦系統(tǒng)有一個大致了解，并且知道有哪些方法可以用來構建可解釋性推薦系統(tǒng)。

1

可解釋性推薦系統(tǒng)簡介

▌01.什么是推薦解釋

所謂推薦解釋，就是在為用戶提供推薦的同時，給出推薦的理由。

人類是一個非常好奇的物種，不滿足于只知道結論，一定會對引起結論的原因感興趣，往往特別想知道個中的理由。小孩從會說話時起就會問各種為什么。對社會和環(huán)境的好奇，才會引起人類的探索欲，從而更好的理解和認知這個世界，這可能是生物進化的自然選擇吧。

在現(xiàn)實生活中，我們經(jīng)常會為朋友做推薦或者讓別人幫我們推薦，比如推薦旅游地、推薦電影、推薦書籍、推薦餐廳等。現(xiàn)實生活中的推薦，大家都會給出推薦原因的，比如推薦餐廳，我們會說這家環(huán)境好、好吃、衛(wèi)生等等。

對于互聯(lián)網(wǎng)上的推薦產(chǎn)品，相信大家不陌生。你在亞馬遜上買書時，系統(tǒng)會給你推薦書，你在頭條上看新聞時，系統(tǒng)會為你推薦其他的新聞。隨著移動互聯(lián)網(wǎng)的發(fā)展和成熟，個性化推薦無處不在，變成了任何一個toC互聯(lián)網(wǎng)公司的標配技術。

下面圖1是我們公司一個推薦產(chǎn)品，“看過該電影的人還喜歡”就是一類推薦解釋。

圖1：互聯(lián)網(wǎng)視頻行業(yè)的推薦解釋

其實解釋可以拓展到更廣泛的互聯(lián)網(wǎng)業(yè)務場景中，比如搜索中的高亮顯示，讓用戶一眼就可以看到展示的搜索內(nèi)容跟用戶輸入的關鍵詞的聯(lián)系，也算是一種解釋。

▌02.推薦解釋的價值

我們在為別人提供推薦時如果給出推薦的理由，會增加別人的認可度和接受度，沒有解釋和理由的推薦是缺乏足夠說服力的。

互聯(lián)網(wǎng)上的虛擬物品的推薦，如果能夠做到像線下推薦那樣，不光給出推薦并且能夠提供推薦的解釋，說明推薦的原因時，就可以提升推薦系統(tǒng)的透明度，還能夠提升用戶對推薦系統(tǒng)的信任度和接受度，進而提升用戶對推薦產(chǎn)品的滿意度。

很多特殊行業(yè)，是必須要對算法模型具備解釋能力的，比如金融、醫(yī)學、風控等，不然用戶是無法接受你的推薦的。這里舉個例子說明解釋的重要性和必要性：一個用戶得了很嚴重的病，你推薦一個藥物給他，你說這個藥物療效很好，但是說不出它為什么有效，用戶是不會接受你的推薦的。

▌03.互聯(lián)網(wǎng)推薦產(chǎn)品的推薦解釋模型

對于互聯(lián)網(wǎng)的推薦模塊，我們可以在推薦業(yè)務流(不熟悉的讀者可以參考《推薦系統(tǒng)的工程實現(xiàn)》)的哪些階段為用戶生成推薦解釋呢？

我們從推薦業(yè)務流的次序上可以將推薦解釋分為在模型訓練過程中生成解釋(事先解釋)和推薦結果生成后做解釋(事后解釋)，具體參考下面圖2：

圖2：在推薦算法的不同階段做推薦解釋

其中，在模型訓練過程中生成推薦解釋又分為兩種情況：

一種是將推薦和解釋看成是兩個優(yōu)化目標，通過協(xié)同訓練來同時優(yōu)化兩個目標。

另一種情況是解釋過程嵌入到推薦過程中，解釋和推薦過程耦合在一起，融為一體，集成為一個模型訓練。往往這類解釋方法會讓整個系統(tǒng)更加復雜，讓整個建模過程難度加大，訓練消耗的資源更多，訓練時間更長，但是可以提升整個模型的可解釋性。

在計算推薦結果后生成推薦解釋，基于給用戶的推薦結果，從中找出用戶跟推薦標的物之間的某種內(nèi)在聯(lián)系，基于該關系做推薦解釋。該方案基本將推薦過程和解釋過程解耦，工程實現(xiàn)上更加簡單，也更加容易讓用戶理解和接受。

▌04.推薦解釋的形式

推薦解釋可以是具備強烈的因果關系的，也可能是邏輯性沒那么強的“牽強附會”。比如，“因為你喜歡A，而A和B很相似，所以給你推薦B”就是邏輯很嚴密的一種推薦解釋。而“因為今天下雨，所以給你推薦A”這就是一類比較隨意的推薦解釋。

推薦解釋的展現(xiàn)形式可以是文字、圖片、視頻、音頻等，文字是最常用的方式。不同的產(chǎn)品形態(tài)可以采用不同的形式，比如如果是電臺，可以采用音頻的方式給用戶做推薦解釋。

推薦系統(tǒng)一般會為用戶生成一個標的物列表。在具體做推薦解釋時，可以為每個推薦的標的物做不同的解釋，當用戶聚焦在推薦的標的物時，可以展現(xiàn)出推薦解釋的理由，或者對這一系列標的物做統(tǒng)一一致的解釋，上面圖1就是對整個推薦模塊做統(tǒng)一的推薦解釋。

▌05.推薦解釋的現(xiàn)狀

不論是推薦系統(tǒng)的工程實踐還是學術研究，在推薦解釋上的研究和投入較少，在真實的推薦產(chǎn)品落地上也不太關注推薦解釋。

之所以出現(xiàn)這種情況，主要是大家都將精力放到提升推薦系統(tǒng)的精準性上，比較少的站在用戶的角度來思考問題。對用戶來說，他不光希望給出推薦，還要說明為什么這么給他推薦，只有這樣用戶才更加認可和信賴推薦系統(tǒng)。

有很多機器學習算法可以用于推薦系統(tǒng)，有些算法模型解釋性好，有些模型是很難做解釋的。

如logistic回歸，線性模型，是很好做解釋的，而深度學習目前基本是一個黑盒，很難做解釋。

不是所有人都是算法專家，能夠理解得了推薦原理的，這就要求在必須要求做解釋的業(yè)務場景，采用易于解釋的方法。比如金融反欺詐領域，一般就是用的logistic回歸模型，雖然它的效果不一定比深度學習方法好，但是很容易解釋最終結果和特征之間的依賴及變化關系。

推薦系統(tǒng)是一個非常復雜的工程體系，包含非常多的功能模塊，因此設計一個可解釋的推薦系統(tǒng)不是一件簡單的事情，需要我們投入足夠多的精力和聰明才智。下面我們就來說明怎么對推薦系統(tǒng)做解釋。

2

構建可解釋性推薦系統(tǒng)的方法

推薦系統(tǒng)涉及到用戶、標的物、用戶對標的物的操作行為(點擊、購買、觀看、瀏覽等)三要素，而標的物是具備一些顯式的特征的，用戶對標的物的行為代表了用戶某種程度對具備該特征的標的物的興趣。

基于上面的分析，推薦系統(tǒng)的解釋可以有如下三種具體實現(xiàn)方案。

參考下面圖3，可以更好地幫你理解下面的三種解釋方案。

圖3：基于推薦系統(tǒng)中標的物與用戶的關系的三種可行的推薦解釋方案

▌01.基于用戶關系來做推薦解釋

我們可以通過各種方式建立兩個用戶之間的相互關系，如果我們能夠挖掘出這種聯(lián)系，就可以用這種關系做推薦解釋。下面是常見的三種基于用戶關系做推薦解釋的方法。

a.基于真實社交關系做推薦解釋

對于社交類產(chǎn)品，如微信、脈脈等，好友關系是可以很自然地用于推薦解釋的。

微信“看一看”中的“朋友在看”就是一種基于社交關系的推薦解釋(見下面圖4)。因為你的好友看過，所以你至少對該推薦不會反感，也一眼就知道微信為什么給你推薦這個，這種推薦解釋非常直接、一目了然，無需多解釋，并且朋友的親密程度越高推薦被用戶接受的可能性越大。

圖4：微信“看一看”中基于社交關系的推薦解釋，打碼的地方就是朋友點過“在看”的

b.基于用戶的行為建立兩個用戶之間的關系，進而做推薦解釋

對于非社交類產(chǎn)品，我們可以通過用戶在產(chǎn)品上的行為來構建用戶關系，比如兩個用戶喜歡同樣的標的物，有同樣的行為特征，我們可以認為這兩個用戶是相似的用戶，雖然可能他們根本不認識。

我們可以利用“跟你興趣相似的用戶也喜歡B”或者“喜歡A的用戶也喜歡B”等文字描述來做推薦解釋。

上面的圖1就是這類推薦解釋。

c.基于用戶畫像做推薦解釋

如果我們對用戶有比較好的了解，構建了一套完善的用戶畫像系統(tǒng)，基于用戶畫像我們就可以找到與該用戶相似的用戶，這樣就可以利用b中的方式來做推薦解釋。

比如，美團在給你推薦餐廳時，會基于你當前所在的位置來做推薦，你當前所在的位置就是一類畫像信息。

▌02.基于標的物相似關系來做推薦解釋

如果用戶喜歡某個標的物A，標的物A跟B又相似，那么我們就可以利用A與B的相似性來做推薦解釋，這時解釋的邏輯就是“因為你喜歡A，A和B是相似的，所以我們猜你也喜歡B”。

我們可以有如下兩類方法來構建標的物之間的相似關系：

a.基于內(nèi)容特征構建標的物之間的關系

例如視頻的標題，演職員，標簽等metadata信息。我們可以利用TF-IDF、主題模型等算法構建標的物之間的相似關系。

b.基于用戶的行為構建標的物之間的關系

基于用戶對標的物的操作(觀看、購買、點擊等)行為，利用嵌入模型可以構建標的物之間的相似關系。另外，可以從用戶的評論信息中提取出標簽、關鍵詞等信息，利用a中的方法構建標的物之間的相似關系。

▌03.基于標簽來解釋

從上面圖3可以看到，標的物是包含一些特征標簽的，可以基于用戶對標的物的行為為用戶打上偏好標簽。

因此我們可以通過顯示的標簽來建立用戶和標的物之間的聯(lián)系，進而通過這些標簽來做推薦解釋，具體的實現(xiàn)方案有如下4類。

a.通過標簽建立用戶與標的物之間的關系，從而做推薦解釋

用戶喜歡什么標簽，他自己肯定是知道的，他在產(chǎn)品上的行為就是他真實興趣的反饋。

比如用戶喜歡看科幻、恐怖電影，那么“科幻”、“恐怖”就是用戶的興趣標簽。那么我們就可以將這類電影推薦給用戶。我們只要以文字的形式，在推薦中展示這些標簽，就起到了推薦解釋的作用。

下面圖5是電視貓電影頻道首頁的主題推薦，基于用戶的標簽偏好來為用戶生成推薦結果，這里只是將標簽直接展示出來(見下圖的紅色橢圓圈)作為推薦解釋，其實可以有更好的方式.

比如“因為你經(jīng)常看愛情電影”就是一句較完整的推薦解釋話術，比單純展示標簽更有說服力。

圖5：利用標簽做推薦解釋的主題推薦

b.通過用戶自身的標簽做推薦解釋

用戶自身是具備一些標簽的，比如年齡，學習，受教育程度等，我們可以利用這類標簽來生成推薦解釋。

比如你是金牛座，“金牛座的人都愛看電影A”就是這類推薦解釋，這類解釋可能比較牽強。

c.基于標的物自身的標簽做推薦解釋

與b類似，標的物自身的一些標簽也可以作為生成推薦解釋的理由。

比如，這箱水果很便宜，便宜就是水果的標簽，系統(tǒng)在推薦給你時，可以用“這箱水果很便宜，所以推薦給你”做為推薦解釋。這類推薦不涉及用戶行為，直接基于標的物特性做推薦解釋。

d.基于用戶瀏覽標的物后的評論做推薦解釋

很多互聯(lián)網(wǎng)產(chǎn)品都具備評論的功能，如果將每個標的物的評論信息收集起來，通過NLP技術處理，從中提取出關鍵詞標簽，并根據(jù)用戶評論的正負反饋及評論次數(shù)，可以給提取的關鍵詞賦予權重。

那么我們就可以利用這些權重大的關鍵詞來作為標的物的推薦解釋，因為這些關鍵詞標簽是用戶的真實反饋，往往具備非常好的解釋效果。

除了這三類在推薦系統(tǒng)中涉及到的“當事方”作為推薦解釋外，我們還可以采用各種其他的推薦解釋方式。

下面列舉幾類可行的推薦解釋策略。

▌04.基于環(huán)境來解釋

這類基于環(huán)境的推薦解釋，可以結合時間、天氣、地域、用戶心情、場所、上下文等各類環(huán)境來做推薦解釋。

比如“你在人民廣場附近，給你推薦附近的美食店”、“適合深夜看的電影”等這類推薦解釋就是基于環(huán)境的解釋。

▌05.基于科學知識、科學實驗結果的解釋

有科學證據(jù)表明晚上“睡前喝點紅酒有助于睡眠”，我們可以用這類被驗證或者被大多數(shù)人認可的科學知識來作為推薦解釋。比如你晚上在瀏覽淘寶，淘寶給你推薦了一瓶紅酒，其實可以用“晚上喝一點紅酒、有利于睡眠”來作為推薦解釋。

▌06.基于權威人士、明星效應的解釋

權威人士的觀點大家更愿意信任，這就是為什么很多牙膏廣告不是請明星，而是一個穿白大褂的醫(yī)生打扮的人做廣告，是為了提升大家對該牙膏效果的認可。同樣，明星有很大的光環(huán)效應，大眾更容易追隨。因此，我們可以利用權威人士及明星的這種效應來做推薦解釋。比如你女朋友在瀏覽淘寶看到一條裙子，系統(tǒng)可以用“這款裙子趙麗穎穿起來很好看，所以推薦給你”作為推薦解釋。

▌07.基于大眾行為的推薦解釋

人都是有從眾心理的，大家都喜歡的，你也喜歡的可能性會很大。基于這個原則也可以做推薦解釋，我們可以用標的物被用戶喜歡(觀看視頻、購買商品等)的次數(shù)來作為推薦解釋的理由。

比如“這部電影有2000萬人看過，所以推薦給你”，“該商品有589人購買，所以推薦給你”等。作者最近在淘寶上買了一個防藍光眼睛，下圖中的“總銷量：298”其實就是一種推薦解釋。

圖6：基于用戶行為統(tǒng)計的推薦解釋

上面我們介紹完了可行的推薦解釋方法，那么下面我們結合工業(yè)上的推薦產(chǎn)品形態(tài)講解怎么利用上面的推薦解釋方法來做推薦解釋。

3

常用工業(yè)級推薦產(chǎn)品的推薦解釋

作者在《推薦系統(tǒng)的工程實現(xiàn)》第五節(jié)中講到推薦系統(tǒng)在工業(yè)上的應用一般有五種范式：完全個性化范式、群組個性化范式、非個性化范式、標的物關聯(lián)標的物范式、笛卡爾積范式。

這五種范式基本囊括了絕大多數(shù)推薦產(chǎn)品形態(tài)。我們下面分別根據(jù)不同的推薦范式來說明怎么做推薦解釋。

▌01.完全個性化范式

完全個性化推薦范式就是為每個用戶生成不同的推薦結果。個性化推薦主要有“基于內(nèi)容的推薦”、“協(xié)同過濾”、“基于模型的推薦”三大類推薦算法。這里我們分別說說怎么對他們做推薦解釋。

a.基于內(nèi)容的推薦

該類推薦算法不依賴于其他用戶的行為，只根據(jù)用戶自己的歷史行為，為用戶推薦與自己曾經(jīng)“喜歡過”(播放過的視頻、購買過的物品等等)的標的物相似的標的物。這時推薦解釋可以基于用戶對內(nèi)容的喜好來做解釋。

這類推薦解釋是在構建推薦模型時就可以生成推薦解釋的，因為我們是基于用戶喜歡的標的物相似的標的物來為用戶做推薦的。形式上可以描述為“用戶喜歡過標的物A，而A跟B很相似，所以推薦B給用戶”。

還有一種形式是從文本信息中抽提出標簽，基于標簽做內(nèi)容推薦，而不是直接基于標的物之間的相似關系。形式上可以描述為“用戶喜歡具備特征X的標的物，而B剛好具備特征X，所以推薦B給用戶”。

常用的形式是主題推薦(參考上面的圖5)，將用戶最喜歡的標簽計算出來，為每個標簽關聯(lián)一個標的物列表，最終形成用戶的推薦。Netflix首頁上即是采用這種推薦形式，Netflix首頁的PVR算法，在每個用戶的首頁生成約40行推薦，每行是一個主題，這個主題即是用戶的興趣“基因”，可以完美地作為該行推薦的推薦解釋語(參考后面的文獻11)。

基于內(nèi)容的推薦解釋采用的策略就是第二部分的2.a和3.a策略。可以采用事先解釋的方法，在構建推薦模型時生成解釋。

b.協(xié)同過濾

協(xié)同過濾是最有名的推薦算法了，算法相對簡單，效果還不錯，目前在工業(yè)界也大量使用。主要分為基于用戶的協(xié)同過濾和基于物品(標的物)的協(xié)同過濾。我們用下圖來說明這兩類協(xié)同過濾算法。

圖7：基于用戶的協(xié)同過濾與基于標的物的協(xié)同過濾

基于用戶的協(xié)同過濾，先找到與該用戶最相似的用戶，將相似用戶喜歡但是該用戶未產(chǎn)生行為的標的物推薦給該用戶。可以采用“跟你興趣相似的人都喜歡A，所以給你推薦A”這種方式做推薦解釋。

即是利用第二部分的1.a策略來做推薦解釋。可以采用事后解釋的方法，在生成推薦結果后給出推薦解釋。

基于物品的協(xié)同過濾，先計算標的物之間的相似度，將與用戶喜歡的標的物相似的標的物推薦給用戶。

我們在構建協(xié)同過濾模型時，可以知道待推薦的標的物A是跟用戶曾經(jīng)喜歡過的B是相似的，所以在做推薦解釋時，解釋語可以描述為“你曾經(jīng)喜歡過B，所以給你推薦相似的A”。

即是利用第二部分的2.b策略來做推薦解釋，可以采用事先解釋的方法，在構建推薦模型時生成解釋。

c.基于模型的推薦

基于模型的推薦算法有很多，比如logistic回歸、矩陣分解、深度學習等。像深度學習這類偏黑盒的模型解釋性會比較困難，我們這里不做介紹，有興趣的讀者可以參考后面的參考文獻。矩陣分解算法原理雖然簡單，但是分解后的矩陣包含的隱式特征是很難跟現(xiàn)實中的實體概念對應的，也較難做出推薦解釋，這里也不介紹。在這里我只對logistic回歸推薦算法做推薦解釋，他們也是常用的推薦算法模型。

logistic回歸的推薦解釋

利用logistic回歸構建推薦算法模型，具體模型如下面公式，其中p是用戶喜歡某個標的物的概率，是權重，是需要學習的模型參數(shù)，是特征i的值。

其中包括3大類特征(拿視頻推薦來舉例)，用戶相關特征(用戶年齡、性別、地域、是否是會員等)，標的物相關特征(如導演、演職員、標簽、年代、是否獲獎、豆瓣評分、是否是會員節(jié)目等)，其他特征(如用戶是否看過該視頻、用戶是否收藏、是否點贊、用戶手機型號等)。

我們可以通過下述公式計算待推薦標的物的p值來決定是否推薦A，比如如果p>0.5(當然可以選擇0.6等其他值)，就認為用戶喜歡A。

當我們訓練好logistic回歸推薦模型后，我們可以用如下方式做推薦解釋：

如果給用戶推薦了標的物A，而標的物A取值非空的特征為

而對應的權重為

我們可以選擇權重最大的那個特征作為給用戶推薦A的解釋。比如權重最大的特征是導演姜文，你可以用“因為你喜歡姜文，該片是姜文拍的，所以給你推薦”作為推薦解釋的話術。

logistic算法的推薦解釋采用的策略本質(zhì)上是3.a策略。可以采用事先解釋的方法，在構建推薦模型時生成解釋。

▌02.群組個性化范式

群組個性化推薦，首先會將用戶按照某種方法或規(guī)則聚類(同一類的用戶在某些特性上相同或者相似)，得到用戶組。我們可以將用戶組看成一個個體，可以采用跟上面1類似的算法及解釋方法，這里不再細說。

▌03.非個性化范式

非個性化范式就是為所有用戶生成一樣的推薦，常見的有排行榜等推薦形態(tài)。一般推薦的是熱門的標的物或者最新上線的標的物。

這類推薦的解釋非常簡單，可以直接用“熱門推薦”或者“最新款推薦”等話術。用戶也非常容易理解和認可。

▌04.標的物關聯(lián)標的物范式

該范式就是當用戶訪問某個標的物的詳情頁時，推薦一組可能存在相關關系的標的物。這組標的物可能是跟原標的物相似的標的物。

最常見的產(chǎn)品形態(tài)就是相似推薦。如下圖就是電視貓上“雙重約會”的相似推薦。這里給出的標題是“相似影片”，其實這4個字也可以看成是推薦解釋。這里如果要對列表中的每個節(jié)目做推薦解釋，需要生成“雙重約會”跟下面推薦的所有節(jié)目之間的相似關系。

該范式就是利用第二部分2的策略來做推薦解釋。

圖8：視頻節(jié)目的相似推薦

作者最近在亞馬遜上買了一本《從一到無窮大:科學中的事實和臆測(中譯本)》，下面就是瀏覽該書購買后的頁面亞馬遜給出的推薦。這里可以看到亞馬遜給出了兩類推薦，“經(jīng)常一起購買的商品”和“瀏覽此上面的顧客也同時瀏覽”。

這兩類推薦都屬于標的物關聯(lián)標的物范式，“經(jīng)常一起購買的商品”和“瀏覽此商品的顧客也同時瀏覽”這兩句話可以認為是推薦解釋語，它是基于用戶行為的解釋。

圖9：兩類標的物關聯(lián)標的物推薦范式的推薦解釋

▌05.笛卡爾積范式

笛卡爾積范式的推薦產(chǎn)品形態(tài)，為每個用戶在每個標的物詳情頁上給出不一樣的推薦列表。所以可以結合完全個性化范式和標的物關聯(lián)標的物范式的推薦解釋策略做推薦。這里不再詳細介紹。

4

更好地理解及落地推薦解釋需要思考的問題

在構建推薦系統(tǒng)解釋時，特別是將推薦解釋落地到現(xiàn)實業(yè)務中時，會遇到很多問題。要想很好的解決這些問題，真正讓推薦解釋產(chǎn)生業(yè)務價值，需要考慮很多工程落地的事情。下面對可能遇到的問題提供一些參考建議。

▌01.需要通過AB測試來驗證推薦解釋的有效性

推薦解釋是對推薦產(chǎn)品功能的一種增補或者優(yōu)化，只要是推薦產(chǎn)品功能的優(yōu)化都需要驗證優(yōu)化效果，這時就需要做AB測試了。

可以在具備推薦解釋和沒有推薦解釋之間做AB測試，在不同推薦解釋方案對比上也需要做AB測試。

總之，通過設定評估指標，利用AB測試來驗證指標是否有提升，最終驗證推薦解釋方案的有效性。

▌02.推薦解釋強依賴于推薦產(chǎn)品形態(tài)，不是任何推薦形態(tài)都必須要做解釋

推薦解釋是強依賴于推薦產(chǎn)品形態(tài)的，像相似推薦，是很容易做推薦解釋的，而對于個性化推薦就會更難一些。

個人覺得推薦解釋是個性化推薦產(chǎn)品的高級功能和特性，拙劣的推薦解釋是無法真正促進推薦系統(tǒng)價值提升的。對于個性化推薦直接可以用“猜你喜歡”、“興趣推薦”這樣的詞匯(這些詞匯也算是一種抽象的推薦解釋)來描述你是為用戶做個性化推薦，讓用戶對你的推薦產(chǎn)品形成一種品牌效應。如果推薦效果足夠好，用戶就能夠從推薦列表中找到自己喜歡的東西。

效果好的話用戶也是愿意經(jīng)常“光顧”的，沒有推薦解釋，也不會影響用戶對你的個性化推薦產(chǎn)品的認可。特別是當你的產(chǎn)品交互不是那么友好時(比如智能電視上的視頻推薦就是通過遙控器交互，交互體驗較差)，很難在個性化產(chǎn)品中嵌入自然交互的方式，讓用戶感受到推薦解釋的存在。

▌03.從對模型解釋切換到對用戶角度來思考推薦解釋

推薦解釋可以從兩個角度來描述。

一個角度是解釋你的推薦模型是怎么做推薦的，讓用戶理解你推薦生成的機制，這類推薦解釋對于科研人員及推薦算法開發(fā)人員來說是有價值的，可以更好的知道算法的運作原理，它可以幫助我們回答諸如為什么給我推薦這些、怎么改進推薦效果、有哪些數(shù)據(jù)或者特征可以影響推薦的結果之類的問題。

但是，如果解釋的過程很復雜，不是“不用動腦經(jīng)”就能想清楚的，你是無法在用戶訪問推薦服務時給用戶解釋清楚的，因為用戶都是“懶的”，不愿意去思考復雜的問題。

這就引出了另外一個思考的維度，我們在真正做工業(yè)級推薦系統(tǒng)的推薦解釋時，是需要站在用戶角度思考的，畢竟我們做的東西是給用戶看的，對用戶有幫助，用戶覺得好才是真的好。對用戶來說，對推薦解釋直觀易懂是最重要的，用戶要能夠不加思考就能感受到解釋與推薦的標的物之間的外在聯(lián)系。

▌04.推薦解釋的“價值觀“

我們做推薦解釋的意圖是什么？

即推薦解釋的“價值觀”是什么？

算法是人開發(fā)的，因此反映的是背后設計推薦解釋算法的人的“價值觀”。

如果你設計算法是KPI導向的，為了提升用戶對推薦的點擊，你可以用一些嘩眾取寵的方式來做解釋，解釋與推薦的標的物也可以沒有啥邏輯關系，這種設計哲學有可能短期提升你的KPI，但是長期一定是不利于你的產(chǎn)品的。

我個人推崇的推薦解釋的價值觀是“輔助用戶決策”，什么意思呢？就是真的站在用戶的立場思考問題，幫助用戶決策，將推薦標的物最真實的一面告訴用戶，包括好的一面和不好的一面，不要讓用戶點擊后感受到被騙的感覺。

現(xiàn)在很多做公眾號運營的人，采用標題黨，或者暴露的海報圖的方式，確實是“騙”用戶進去了，用戶可能一時有一點點不爽，這個不爽很微小，不至于讓用戶馬上對你的公眾號反感，但是如果每次都是這樣，我相信日積月累，“微小的不爽”通過時間的沉淀，一定會爆發(fā)出來，最終用戶會放棄你的產(chǎn)品。

▌05.推薦解釋的說服力

其實推薦解釋的過程就是一次論證的過程，你將標的物推薦給用戶，并且給出推薦的理由，如果用戶相信你的理由，用戶就會接受你的推薦。

所以，我們在做推薦解釋時，理由一定是可以支撐結論的，可以讓用戶很容易感受到這種邏輯推理的關系。同時，理由本身也需要科學客觀。只有這樣，推薦解釋才有說服力。

▌06.其他維度的輔助用戶決策

除了給出推薦解釋理由外，還有很多其他的信息可以輔助用戶決策。我們可以從標的物的詳情頁著手，在詳情頁增加足夠多的關鍵描述信息幫助用戶來判斷。

對于視頻推薦來說，海報圖、標題、是否是會員、評分、有多少人看過、年代等信息是可輔助用戶做決策的。

我們不光是要展示正面的信息、對于不好的消息也要有所體現(xiàn)，如果這些信息可以在海報圖上全面的展示出來，就可以快速幫助用戶做決策，是否有必要點擊進去看看。

下圖中用紅色圈標出的信息及海報圖都是輔助用戶決策的要素。

圖10：輔助用戶決策的信息

5

構建可解釋性推薦系統(tǒng)面臨的挑戰(zhàn)與機遇

為推薦系統(tǒng)生成推薦解釋是一個非常復雜的過程，也很有挑戰(zhàn)，目前也沒有非常有效統(tǒng)一的解決方案。下面是構建推薦解釋可能會遇到的問題，以及推薦解釋未來的機遇。

▌01.混合推薦算法

目前很多推薦算法不是采用單一的推薦算法模型，是用很多模型通過級聯(lián)或者集成的方式為用戶提供個性化推薦，同時在特殊情況下(比如無行為的新用戶采用默認推薦、接口請求失敗時采用備選策略等)會有一些特殊的處理。

這些復雜的現(xiàn)實情況，大大復雜化了推薦解釋的設計和實現(xiàn)。

▌02.實時個性化推薦

隨著頭條、抖音、快手等信息流/視頻流產(chǎn)品大行其道，目前很多產(chǎn)品都會采用近實時推薦策略，更加實時的反饋用戶興趣的變化。

這類推薦產(chǎn)品對時效性要求很高，要想在實時情況下給用戶做推薦的同時生成推薦理由，對整個系統(tǒng)的設計、處理提出了非常高的要求。

▌03.老板/數(shù)據(jù)產(chǎn)品經(jīng)理會更關注精準度而不太重視解釋性

絕大多數(shù)公司老板或者數(shù)據(jù)產(chǎn)品經(jīng)理更在乎的是短期指標的提升，很少意識到好的推薦體驗會對用戶的留存有累積的價值，通過長期的好的推薦解釋體驗，是可以提升用戶對推薦系統(tǒng)的信賴的。

由于這種提升需要做大量的AB測試及額外的算法開發(fā)，往往會被拒之門外。

▌04.黑盒推薦算法很難做解釋

隨著深度學習的流行，有越來越多的公司將深度學習算法應用到推薦系統(tǒng)上，并且產(chǎn)生了非常不錯的效果。深度學習最大的缺點是一個黑盒模型，對深度學習模型做出的決策，很難從模型內(nèi)部的數(shù)據(jù)交互及處理邏輯給出比較直觀易懂的解釋。

因此，這類推薦模型也非常難給出好的推薦解釋，當前可解釋的機器學習是學術上一個比較熱門的研究課題。

▌05.普適的推薦解釋框架

從上面的介紹可以看到，推薦解釋目前還沒有一套完善的框架，基本是不同的算法，采用不同的推薦解釋策略，推薦解釋是強依賴于具體的推薦算法模型和業(yè)務場景的。

那么我們是否可以構建一類通用的推薦解釋框架，可以適用于一大類或者所有的推薦算法模型呢？這確實是一個非常難并且相當有挑戰(zhàn)的問題，也是一個很好的研究課題。

▌06.知識圖譜做解釋

前面講到推薦系統(tǒng)可以基于標的物、用戶、特征為媒介來做推薦解釋(見上面的圖3)，對這三類媒介之間的關聯(lián)挖掘得還不夠。

其實利用知識圖譜，打通這三類媒介之間的關聯(lián)，根據(jù)具體情況靈活選擇其中最合適的媒介對用戶進行推薦解釋。這樣，我們還可以產(chǎn)生形式更豐富的推薦解釋。

▌07.生成對話式解釋

目前的推薦解釋往往形式是預先設定、千篇一律的。

這樣盡管可以根據(jù)用戶心理給出解釋，但是在溝通方式上還過于呆板，跟日常生活中對話交互式的推薦解釋還有很大差距。

如果能用生成式模型讓推薦系統(tǒng)“生成”一句通順甚至高情商的話，就可以在與用戶互動的過程中進行靈活、多變的推薦解釋了。特別是隨著NLP技術的發(fā)展及語音交互場景的開拓，未來語音交互一定是最重要的一類交互方式。

到那時，利用推薦系統(tǒng)與人類進行交互式推薦和解釋，可以大大提升用戶的滿意度。

6

寫在最后

本文基于作者多年推薦系統(tǒng)實踐經(jīng)驗的理解并參考了相關文章，對推薦系統(tǒng)解釋做了較全面的梳理。

希望可以幫助讀者更好的理解推薦系統(tǒng)解釋的原理與背后的價值，讀完后能夠利用本文提供的方法去實踐推薦系統(tǒng)的解釋體系。

推薦系統(tǒng)解釋目前是一個偏學術的研究課題(附件是一些關于機器學習及推薦系統(tǒng)解釋的材料及論文，有興趣的讀者可以自行學習參考)，在工業(yè)實踐上也沒有這么重視。

雖然作者以前在真實產(chǎn)品中落地過推薦解釋系統(tǒng)，但自認為對這一塊還只知道一點皮毛，不當之處在所難免，歡迎大家一起交流探討。