融合协同知识图谱与反事实推理的可解释推荐机制

doi:10.11772/j.issn.1001-9081.2022071113

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (7): 2001-2009.DOI: 10.11772/j.issn.1001-9081.2022071113

• 第39届CCF中国数据库学术会议(NDBC 2022) • 上一篇

融合协同知识图谱与反事实推理的可解释推荐机制

夏子芳¹^,², 于亚新¹^,²(), 王子腾¹^,², 乔佳琪¹^,²

^1.东北大学计算机科学与工程学院，沈阳 110169
^2.医学影像智能计算教育部重点实验室（东北大学），沈阳 110169

收稿日期:2022-07-12 修回日期:2022-08-16 接受日期:2022-08-29 发布日期:2023-07-20 出版日期:2023-07-10
通讯作者: 于亚新
作者简介:夏子芳（1998—），女，河北邢台人，硕士研究生，主要研究方向：推荐系统、因果推断；
于亚新（1971—），女，辽宁沈阳人，副教授，博士，CCF会员，主要研究方向：社交网络、数据挖掘；
王子腾（1998—），男，辽宁大连人，硕士研究生，主要研究方向：强化学习、迁移学习；
乔佳琪（1998—），女，黑龙江伊春人，硕士研究生，主要研究方向：自然语言处理、计算机视觉。
基金资助:
国家自然科学基金资助项目(61871106)

Explainable recommendation mechanism by fusion collaborative knowledge graph and counterfactual inference

Zifang XIA¹^,², Yaxin YU¹^,²(), Ziteng WANG¹^,², Jiaqi QIAO¹^,²

^1.School of Computer Science and Engineering，Northeastern University，Shenyang Liaoning 110169，China
^2.Key Laboratory of Intelligent Computing in Medical Image，Ministry of Education （Northeastern University），Shenyang Liaoning 110169，China

Received:2022-07-12 Revised:2022-08-16 Accepted:2022-08-29 Online:2023-07-20 Published:2023-07-10
Contact: Yaxin YU
About author:XIA Zifang， born in 1998， M. S. candidate. Her research interests include recommender systems， causal inference.
YU Yaxin， born in 1971， Ph. D.， associate professor. Her research interests include social network， data mining.
WANG Ziteng， born in 1998， M. S. candidate. His research interests include reinforcement learning， transfer learning.
QIAO Jiaqi， born in 1998， M. S. candidate. Her research interests include natural language processing， computer vision.
Supported by:
National Natural Science Foundation of China(61871106)

摘要/Abstract

摘要：

为构建透明可信的推荐机制，相关研究工作主要通过可解释推荐机制为个性化推荐提供合理解释，然而现有可解释推荐机制存在三大局限：1）利用相关关系只能提供合理化解释而非因果解释，而利用路径提供解释存在隐私泄露问题；2）忽略了用户反馈稀疏的问题，解释的保真度难以保证；3）解释粒度较粗，未考虑用户个性化偏好。为解决上述问题，提出基于协同知识图谱（CKG）与反事实推理的可解释推荐机制（ERCKCI）。首先，基于用户自身的行为序列，采用反事实推理思想利用因果关系实现高稀疏度因果去相关，并迭代推导出反事实解释；其次，为提升解释保真度，不仅在单时间片上利用CKG和图神经网络（GNN）的邻域传播机制学习用户和项目表征，还在多时间片上通过自注意力机制捕获用户长短期偏好以增强用户偏好表征；最后，基于反事实集的高阶连通子图捕获用户的多粒度个性化偏好，从而增强反事实解释。为验证ERCKCI机制的有效性，在公开数据集MovieLens（100k）、Book-crossing和MovieLens（1M）上进行了对比实验。所得结果表明，该机制在前两个数据集上相较于RCF（Relational Collaborative Filtering）推荐模型下的ECI（Explainable recommendation based on Counterfactual Inference），在解释保真度上分别提升了4.89和3.38个百分点，在CF集大小上分别降低了63.26%、66.24%，在稀疏度指标上分别提升了1.10和1.66个百分点，可见该机制能有效提升可解释性。

关键词: 可解释, 反事实推理, 协同知识图谱, 图神经网络, 推荐机制

Abstract:

In order to construct a transparent and trustworthy recommendation mechanism， relevant research works mainly provide reasonable explanations for personalized recommendation through explainable recommendation mechanisms. However， there are three major limitations of the existing explainable recommendation mechanism： 1） using correlations only can provide rational explanations rather than causal explanations， and using paths to provide explanations will bring privacy leakage； 2） the problem of sparse user feedback is ignored， so it is difficult to guarantee the fidelity of explanations； 3） the granularities of explanations are relatively coarse， and users’ personalized preferences are not considered. To solve the above problems， an explainable recommendation mechanism ERCKCI based on Collaborative Knowledge Graph （CKG） and counterfactual inference was proposed. Firstly， based on the user’s own behavior sequence， the counterfactual inference was used to achieve high-sparsity causal decorrelation by using the casual relations， and the counterfactual explanations were derived iteratively. Secondly， in order to improve the fidelity of explanations， not only the CKG and the neighborhood propagation mechanism of the Graph Neural Network （GNN） were used to learn users’ and items’ representations based on single time slice； but also the user long-short term preference were captured to enhance user preference representation through self-attention mechanism on multiple time slices. Finally， via a higher-order connected subgraph of the counterfactual set， the multi-granularity personalized preferences of user was captured to enhance counterfactual explanations. To verify the effectiveness of ERCKCI mechanism， comparison experiments were performed on the public datasets MovieLens（100k）， Book-crossing and MovieLens（1M）. The obtained results show that compared with the Explainable recommendation based on Counterfactual Inference （ECI） algorithm under the Relational Collaborative Filtering （RCF） recommendation model on the first two datasets， the proposed mechanism has the explanation fidelity improved by 4.89 and 3.38 percentage points respectively， the size of CF set reduced by 63.26% and 66.24% respectively， and the sparsity index improved by 1.10 and 1.66 percentage points respectively； so the explainability is improved effectively by the proposed mechanism.

Key words: explainable, counterfactual inference, Collaborative Knowledge Graph (CKG), Graph Neural Network (GNN), recommendation mechanism

中图分类号:

TP391.3

夏子芳, 于亚新, 王子腾, 乔佳琪. 融合协同知识图谱与反事实推理的可解释推荐机制[J]. 计算机应用, 2023, 43(7): 2001-2009.

Zifang XIA, Yaxin YU, Ziteng WANG, Jiaqi QIAO. Explainable recommendation mechanism by fusion collaborative knowledge graph and counterfactual inference[J]. Journal of Computer Applications, 2023, 43(7): 2001-2009.

图/表 9

参考文献 31

1	KUNKEL J， DONKERS T， MICHAEL L， et al. Let me explain： impact of personal and impersonal explanations on trust in recommender systems ［C］// Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. New York： ACM， 2019： No.487. 10.1145/3290605.3300717
2	PEAKE G， WANG J. Explanation mining： post hoc interpretability of latent factor models for recommendation systems ［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2018： 2060-2069. 10.1145/3219819.3220072
3	朱海萍，赵成成，刘启东，等.基于互惠性约束的可解释就业推荐方法［J］.计算机研究与发展， 2021， 58（12）： 2660-2672. 10.7544/issn1000-1239.2021.20211008
	ZHU H P， ZHAO C C， LIU Q D， et al. Reciprocal-constrained interpretable job recommendation［J］. Journal of Computer Research and Development， 2021， 58（12）： 2660-2672. 10.7544/issn1000-1239.2021.20211008
4	O'MAHONY M P， HURLEY N J， SILVESTRE G C M. Detecting noise in recommender system databases ［C］// Proceedings of the 11th International Conference on Intelligent User Interfaces. New York： ACM， 2006： 109-115. 10.1145/1111449.1111477
5	WANG H W， ZHANG F Z， WANG J L， et al. RippleNet： propagating user preferences on the knowledge graph for recommender systems ［C］// Proceedings of the 27th ACM International Conference on Information and Knowledge Management. New York： ACM， 2018： 417-426. 10.1145/3269206.3271739
6	YANG F， LIN N H， WANG S H， et al. Towards interpretation of recommender systems with sorted explanation paths ［C］// Proceedings of the 2018 IEEE International Conference on Data Mining. Piscataway： IEEE， 2018： 667-676. 10.1109/icdm.2018.00082
7	FENG F L， HUANG W R， HE X N， et al. Should graph convolution trust neighbors？ a simple causal inference method ［C］// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2021： 1208-1218. 10.1145/3404835.3462971
8	PEARL J， MACKENZIE D. The Book of Why： The New Science of Cause and Effect［M］. New York： Basic Books， 2018： 103-200.
9	GHAZIMATIN A， BALALAU O， SAHA ROY R， et al. PRINCE： provider-side interpretability with counterfactual explanations in recommender systems ［C］// Proceedings of the 13th International Conference on Web Search and Data Mining. New York： ACM， 2020： 196-204. 10.1145/3336191.3371824
10	TRAN K H， GHAZIMATIN A， SAHA ROY R. Counterfactual explanations for neural recommenders ［C］// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2021： 1627-1631. 10.1145/3404835.3463005
11	FRIEDRICH G， ZANKER M. A taxonomy for generating explanations in recommender systems［J］. AI Magazine， 2011， 32（3）： 90-98. 10.1609/aimag.v32i3.2365
12	HERLOCKER J L， KONSTAN J A， RIEDL J. Explaining collaborative filtering recommendations ［C］// Proceedings of the 2000 ACM Conference on Computer Supported Cooperative Work. New York： ACM， 2000： 241-250. 10.1145/358916.358995
13	ABDOLLAHI B， NASRAOUI O. Using explainability for constrained matrix factorization ［C］// Proceedings of the 11th ACM Conference on Recommender Systems. New York： ACM， 2017： 79-83. 10.1145/3109859.3109913
14	SINGH J， ANAND A. Posthoc interpretability of learning to rank models using secondary training data［EB/OL］. （2018-06-29）［2021-09-16］. . 10.1145/3471158.3472241
15	SINGH J， ANAND A. Model agnostic interpretability of rankers via intent modelling ［C］// Proceedings of the 2020 Conference on Fairness， Accountability， and Transparency. New York： ACM， 2020： 618-628. 10.1145/3351095.3375234
16	ZHANG Y F， LAI G K， ZHANG M， et al. Explicit factor models for explainable recommendation based on phrase-level sentiment analysis ［C］// Proceedings of the 37th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2014： 83-92. 10.1145/2600428.2609579
17	CHEN C， ZHANG M， LIU Y Q， et al. Neural attentional rating regression with review-level explanations ［C］// Proceedings of the 2018 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2018： 1583-1592. 10.1145/3178876.3186070
18	XIN X， HE X N， ZHANG Y F， et al. Relational collaborative filtering： Modeling multiple item relations for recommendation ［C］// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2019： 125-134. 10.1145/3331184.3331188
19	WIEGREFFE S， PINTER Y. Attention is not not explanation ［C］// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg， PA： ACL， 2019： 11-20. 10.18653/v1/d19-1002
20	JAIN S， WALLACE B C. Attention is not explanation ［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1（Long and Short Papers）. Stroudsburg， PA： ACL， 2019： 3543-3556. 10.18653/v1/n18-2
21	阮利，温莎莎，牛易明，等.基于可解释基拆解和知识图谱的深度神经网络可视化［J］.计算机学报， 2021， 44（9）： 1786-1805. 10.11897/SP.J.1016.2021.01786
	RUAN L， WEN S S， NIU Y M， et al. Deep neural network visualization based on interpretable basis decomposition and knowledge graph［J］. Chinese Journal of Computers， 2021， 44（9）： 1786-1805. 10.11897/SP.J.1016.2021.01786
22	WANG X， WANG D X， XU C R， et al. Explainable reasoning over knowledge graphs for recommendation ［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2019： 5329-5336. 10.1609/aaai.v33i01.33015329
23	ZHANG Y， XU X R， ZHOU H N， et al. Distilling structured knowledge into embeddings for explainable and accurate recommendation ［C］// Proceedings of the 13th International Conference on Web Search and Data Mining. New York： ACM， 2020： 735-743. 10.1145/3336191.3371790
24	RIBEIRO M， SINGH S， GUESTRIN C. “Why should I trust you？”： explaining the predictions of any classifier ［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 1135-1144. 10.1145/2939672.2939778
25	TSANG M， CHENG D J， LIU H P， et al. Feature interaction interpretability： a case for explaining ad-recommendation systems via neural interaction detection［EB/OL］. （2020-07-19）［2021-11-05］. .
26	SCHÖLKOPF B， LOCATELLO F， BAUER S， et al. Toward causal representation learning［J］. Proceedings of the IEEE， 2021， 109（5）： 612-634. 10.1109/jproc.2021.3058954
27	NIU Y L， TANG K H， ZHANG H W， et al. Counterfactual VQA： a cause-effect look at language bias ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 12695-12705. 10.1109/cvpr46437.2021.01251
28	XU S Y， LI Y Q， LIU S C， et al. Learning causal explanations for recommendation［EB/OL］. （2021-02-23）［2022-03-12］. .
29	CHENG W Y， SHEN Y Y， HUANG L P， et al. Incorporating interpretability into latent factor models via fast influence analysis ［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2019： 885-893. 10.1145/3292500.3330857
30	YUAN H， YU H Y， GUI S R， et al. Explainability in graph neural networks： a taxonomic survey［EB/OL］. （2022-06-01）［2022-06-12］. . 10.48550/arXiv.2012.15445
31	HE X N， LIAO L Z， ZHANG H W， et al. Neural collaborative filtering ［C］// Proceedings of the 26th International Conference on World Wide Web. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2017： 173-182. 10.1145/3038912.3052569

名称	样本数
名称	MovieLens（100k）	MovieLens（1M）	Book-crossing
#用户	943	6 040	17 860
#项目	1 682	2 347	14 910
#交互	100 000	1 000 209	139 746
#实体	7 366	182 011	77 903
#关系	12	12	25
#三元组	15 044	1 241 995	151 500

名称	样本数
名称	MovieLens（100k）	MovieLens（1M）	Book-crossing
#用户	943	6 040	17 860
#项目	1 682	2 347	14 910
#交互	100 000	1 000 209	139 746
#实体	7 366	182 011	77 903
#关系	12	12	25
#三元组	15 044	1 241 995	151 500

推荐模型	解释算法	MovieLens（100k）			MovieLens（1M）			Book-crossing
推荐模型	解释算法	保真度/%	CF集大小	稀疏度/%	保真度/%	CF集大小	稀疏度/%	保真度/%	CF集大小	稀疏度/%
NCF	Pure FIA	54.20	9.080 4	90.36	56.24	9.000 7	90.58	51.11	9.647 1	52.23
	FIA	55.97	7.986 1	91.08	57.35	7.363 8	91.73	52.36	8.194 0	53.85
	ECI	57.30	4.730 2	93.92	58.01	4.147 5	93.11	54.89	5.001 4	57.99
RCF	Pure Attention	73.01	9.357 6	89.96	74.52	8.845 6	90.67	71.63	9.754 9	52.10
	Attention	76.99	3.548 9	95.39	76.86	3.475 9	95.63	74.84	4.061 8	56.74
	Pure FIA	80.75	4.852 1	93.81	81.54	4.654 3	93.99	77.93	5.119 7	58.09
	FIA	81.64	4.149 1	95.01	81.78	4.125 4	95.34	79.28	4.167 3	59.20
	ECI	81.86	2.832 9	96.25	82.06	2.511 3	96.81	80.05	2.998 1	60.03
MTG	Pure FIA	82.38	2.212 4	96.87	82.52	2.038 6	97.09	80.93	2.514 3	60.81
	FIA	83.07	1.713 2	97.21	83.26	1.491 1	97.26	80.62	1.853 7	60.52
	ECI	86.75	1.0407	97.35	89.57	1.0282	97. 52	83.43	1.0121	61.69

推荐模型	解释算法	MovieLens（100k）			MovieLens（1M）			Book-crossing
推荐模型	解释算法	保真度/%	CF集大小	稀疏度/%	保真度/%	CF集大小	稀疏度/%	保真度/%	CF集大小	稀疏度/%
NCF	Pure FIA	54.20	9.080 4	90.36	56.24	9.000 7	90.58	51.11	9.647 1	52.23
	FIA	55.97	7.986 1	91.08	57.35	7.363 8	91.73	52.36	8.194 0	53.85
	ECI	57.30	4.730 2	93.92	58.01	4.147 5	93.11	54.89	5.001 4	57.99
RCF	Pure Attention	73.01	9.357 6	89.96	74.52	8.845 6	90.67	71.63	9.754 9	52.10
	Attention	76.99	3.548 9	95.39	76.86	3.475 9	95.63	74.84	4.061 8	56.74
	Pure FIA	80.75	4.852 1	93.81	81.54	4.654 3	93.99	77.93	5.119 7	58.09
	FIA	81.64	4.149 1	95.01	81.78	4.125 4	95.34	79.28	4.167 3	59.20
	ECI	81.86	2.832 9	96.25	82.06	2.511 3	96.81	80.05	2.998 1	60.03
MTG	Pure FIA	82.38	2.212 4	96.87	82.52	2.038 6	97.09	80.93	2.514 3	60.81
	FIA	83.07	1.713 2	97.21	83.26	1.491 1	97.26	80.62	1.853 7	60.52
	ECI	86.75	1.0407	97.35	89.57	1.0282	97. 52	83.43	1.0121	61.69

模型	保真度/%	CF集大小	稀疏度/%
NCKG	59.60	4.042 1	94.88
CKG	89.40	2.731 2	96.03
CKG+GCN	93.37	1.120 8	97.16
ERCKCI	96.69	1.0321	97.51

融合协同知识图谱与反事实推理的可解释推荐机制

Explainable recommendation mechanism by fusion collaborative knowledge graph and counterfactual inference

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 31

相关文章 15

编辑推荐

Metrics

[1]	郑智雄, 刘建华, 孙水华, 徐戈, 林鸿辉. 融合多窗口局部信息的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1796-1802.
[2]	金柯君, 于洪涛, 吴翼腾, 李邵梅, 张建朋, 郑洪浩. 改进的基于奇异值分解的图卷积网络防御方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1511-1517.
[3]	孙浩, 曹健, 李海生, 毛典辉. 基于改进胶囊网络的会话型推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1043-1049.
[4]	崔剑, 麻开朗, 孙钰, 王豆, 周君良. 面向加密流量分类的深度可解释方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1151-1159.
[5]	李路宝, 陈田, 任福继, 罗蓓蓓. 基于图神经网络和注意力的双模态情感识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 700-705.
[6]	王雨, 袁玉波, 过弋, 张嘉杰. 情感增强的对话文本情绪识别模型[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 706-712.
[7]	吕学强, 张煜楠, 韩晶, 崔运鹏, 李欢. 融合边特征与注意力的表格结构识别模型[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 752-758.
[8]	张军, 吴朋莉, 石陆魁, 史进, 潘斌. 联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 321-328.
[9]	杜航原, 郝思聪, 王文剑. 结合图自编码器与聚类的半监督表示学习方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2643-2651.
[10]	李晓寒, 王俊, 贾华丁, 萧刘. 基于多重注意力机制的图神经网络股市波动预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2265-2273.
[11]	周嘉凡, 杜岳峰, 宋宝燕, 李晓光, 赵阿珠, 肖绪界. 基于元路径注意力机制的MOOC视频推荐方法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1808-1813.
[12]	于蒙, 何文涛, 周绪川, 崔梦天, 吴克奇, 周文杰. 推荐系统综述[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1898-1913.
[13]	李晓寒, 贾华丁, 程雪, 李太勇. 基于改进遗传算法和图神经网络的股市波动预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1624-1633.
[14]	胡鹤轩, 隋华超, 胡强, 张晔, 胡震云, 马能武. 基于图注意力网络与双阶注意力机制的径流预报模型[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1607-1615.
[15]	蒋雯静, 熊熙, 李中志, 李斌勇. 基于无采样协作知识图网络的推荐系统[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1057-1064.