基于因果化评论的可解释推荐方法

ChineseCSCW2022（太原）会议，汇报来自复旦大学张光平同学，本篇文章为会议记录，如有侵权，请联系我删除‼️

目录

1.引言 

2.背景 

3.模型结构

4.方法论

5.预测和训练

6.实验 

---

1.引言 

2.背景 

 共线关系：无逻辑关系、同时出现、神经网络、预测意义；

雪狼和哈士奇；

啤酒和尿布；

3.模型结构

上述事例可以引出因果关系的重要性：

---

4.方法论

 首先识别出三种结果，然后进行d分割：

举例：

 

挖掘：

由上图可得各级别生成器和各关系预测器；

词级别生成器Word-level Rationale Generator：词出现的概率，二进制化，筛选出最重要的单词；

评论级别生成器Review-level Rationale Generator：

因果关系预测器Rationale Predictor：

共线关系预测器Correlation Predictor：

---

文本形式的单词向量化处理；

---

5.预测和训练

模型优化，预测结果的均分误差作为损失函数；

如果一组特征作为rationale ，其他特征便无法对结果产生影响；

正则化项限制特征选择；

通过循环训练实现对抗学习。

---

6.实验