一种基于特征权重模型推荐系统及推荐结果可解释性方法

摘要

本发明涉及到一种基于特征权重模型推荐系统的推荐结果可解释性方法，该方法融合多路召回策略名、排序模型TopK权重特征和后处理规则名实现推荐系统推荐结果的可解释性，当产生推荐请求时，推荐系统会经过召回、排序和后处理过程处理待推荐物料，获得推荐结果返回给请求方，还涉及到一种基于特征权重模型推荐系统。本发明方法和系统可有效解释物料ID在推荐结果存在的原因和相对位置顺序的原因，避免了推荐结果完全黑盒性质的不可解释，从这个角度完善了推荐系统可解释性。

说明书

技术领域

本发明涉及到人工智能，特别涉及到一种基于特征权重模型推荐系统的推荐结果可解释性方法。

背景技术

推荐系统越来越深入到人们的日常生活当中，面向广大用户联接成千上万的物料资源数据，为每个人带来专属的推荐结果空间，达到千人千面的个性化推荐效果。

推荐系统一般包含召回、排序和后处理等几个主要过程或模块，推荐结果往往是这些过程或模块综合作用的结果，但在一些领域或行业，对于推荐结果可解释性越发提出了清晰而细致的要求，这对于我们深入理解推荐系统内部过程或模型的作用域和输入输出提出了新的挑战。

中国发明专利202110151400.2公开了一种基于知识图谱的可解释推荐系统，该发明专利提供了很高的预测精度，同时提高非常搞笑的解释目的，具有很高的实用价值和推广价值。但是该方面采用了基于知识图谱的可推荐系统，属于一种推荐解释方案情形，应用范围有限。除此之外，现有推荐系统的召回过程可以归纳为多路(模型或策略)召回和单一深度模型召回，排序过程一般为LTR(learning to rank)排序模型，加上后处理规则组成一个推荐引擎，往往能提供较好的推荐效果和推荐指标，但是对于推荐结果的可解释性工作却进展有限，这方面工作的欠缺可能会带来以下不利影响：1.无法向外部说明推荐结果的合理性，推荐系统仍相当于黑盒，不能很好体现推荐系统内在价值和获得广泛认可，有损工作汇报的深度和质量。2.不利于推荐效果调优和推荐系统，良好的推荐结果可解释性有助于我们完善推荐系统，反之不利于改进推荐系统，使得推荐系统的升级改造失去了方向。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提供一种基于特征权重模型推荐系统的推荐结果可解释性方法。本发明的推荐结果可解释性方法能精确推荐请求结果，并能有效解释物料ID在推荐结果中存在的原因和相对位置顺序排列的原因。

为了达到上述发明目的，本发明专利提供的技术方案如下：

一种基于特征权重模型推荐系统的推荐结果可解释性方法，该方法融合多路召回策略名、排序模型TopK权重特征和后处理规则名实现推荐系统推荐结果的可解释性，有效解释物料ID在推荐结果中存在的原因和相对位置顺序排列的原因，该方法具体包括实现步骤：

第一步，推荐请求，当产生推荐请求时，推荐系统会经过后续召回、排序和后处理过程处理待推荐物料；

第二步，召回过程，获得多路召回的召回策略名；

第三步，排序过程，获得排序模型TopK权重特征，并记录单次排序预测时的特征值，筛选出本次排序预测的重点特征；

第四步，后处理过程，获得后处理过程作用在推荐结果上的各类规则名；

第五步，获得推荐结果，解释推荐结果，基于召回策略名、排序重点特征和后处理规则名完成；

第六步，完成推荐结果的可解释呈现，将获得的推荐结果返回给请求方。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，所述第二步中推荐系统的采用多路召回过程，记录下召回结果集中各个物料ID产生的召回策略名recall_name、召回策略权重recall_weight和相对位置顺序recall_position。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，所述第三步将召回结果传入排序过程，通过排序模型预测召回结果各个物料ID的点击概率，以此作为将重新排序的依据，获得排序结果，该过程中涉及到排序模型的模型选择、特征工程、模型训练和模型预测流程。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，进一步地，所述排序模型选择中，选择可体现特征权重的排序模型Model，如LR模型；LR模型公式：

上式中，x表示特征Feature，xi表示某一个特征值，wi表示该特征对应的特征权重。经过对所有特征值feature_value进行归一化后，特征值域空间压缩为[0,1]，对LR模型进行训练，获得所有特征Feature对应的特征权重w，越高权重的特征对于模型推理影响越大。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，进一步地，在特征工程中，进行特征选择、特征预处理、特征构造、特征交叉、特征后处理等环节获得最后待输入排序模型的特征Feature和特征值feature_value。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，进一步地，在模型训练中，将特征Feature输入排序模型Model，通过LR模型训练后，可获得各个输入特征的相对权重，这些特征权重体现了特征Feature对于模型推理的重要程度，这里获得高权重特征Top 50％的特征Feature@Top50％。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，进一步地，在模型预测中，根据模型训练时确定的特征Feature，输入召回结果集中每个物料ID对应的预测特征值feature_predict，获得召回物料ID的预测点击概率click_probility，此时取feature_predict中有值的特征Feature_predcit与Feature@Top50％进行交集，获得每个物料ID预测点击率时的实时高权重特征Feature_predict@Top50％，和经过排序模型预测后的排序位置顺序rank_position。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，在第四步将排序结果传入后处理过程，通过后处理流程获得最终的推荐结果，记录在推荐结果上施加的后处理规则名postprocess_name和物料ID最终处于推荐结果中的位置顺序final_position。后处理处理是常规的操作，是简单规则选用。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，在第五步获取最终推荐结果中各个物料ID产生的推荐理由，解释推荐结果物料ID存在的原因和相对位置原因，该推荐理由由以下组成：recall_name+recall_weight+recall_position+Feature_predict@Top50％+rank_position+postprocess_name+final_position。

基于上述技术方案，本发明专利基于特征权重模型推荐系统的推荐结果可解释性方法与现有技术相比具有如下技术优点：

1.本发明基于特征权重模型推荐系统的推荐结果可解释性方法融合多路召回策略名、排序模型TopK权重特征和后处理规则名实现推荐系统推荐结果的可解释性，有效解释物料ID在推荐结果中存在的原因和相对位置顺序排列的原因，TopK权重特征，是指前百分之K的权重特征。

2.本发明的推荐结果可解释性方法中，将召回结果传入排序过程，通过排序模型预测召回结果各个物料ID的点击概率，以此作为将重新排序的依据，获得排序结果，该过程中涉及到排序模型的模型选择、特征工程、模型训练和模型预测流程，从而获得精确的推荐结果，并给出明确的推荐解释原因。

附图说明

图1是本发明一种基于特征权重模型推荐系统的推荐结果可解释性方法的操作流程示意图。

具体实施方式

下面我们结合附图和具体的实施例来对本发明基于特征权重模型推荐系统的推荐结果可解释性方法做进一步的详细说明，以求更为清楚明了地理解其步骤组成和操作方式，但不能以此来限制本发明的保护范围。

如图1所示，本发明是一种基于特征权重模型推荐系统的推荐结果可解释性方法。整体而言，本发明的推荐结果可解释方法融合多路召回策略名、排序模型TopK权重特征和后处理规则名实现推荐系统推荐结果的可解释性，有效解释物料ID在推荐结果中存在的原因和相对位置顺序排列的原因。具体来说，该方法包括实现步骤：

第一步，推荐请求，当产生推荐请求时，推荐系统会经过后续召回、排序和后处理过程处理待推荐物料；

第二步，召回过程，获得多路召回的召回策略名；

第三步，排序过程，获得排序模型TopK权重特征，并记录单次排序预测时的特征值，筛选出本次排序预测的重点特征；

第四步，后处理过程，获得后处理过程作用在推荐结果上的各类规则名；

第五步，获得推荐结果，解释推荐结果，基于召回策略名、排序重点特征和后处理规则名完成；

第六步，完成推荐结果的可解释呈现，将获得的推荐结果返回给请求方。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，所述第二步中推荐系统的采用多路召回过程，记录下召回结果集中各个物料ID产生的召回策略名recall_name、召回策略权重recall_weight和相对位置顺序recall_position。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，所述第三步将召回结果传入排序过程，通过排序模型预测召回结果各个物料ID的点击概率，以此作为将重新排序的依据，获得排序结果，该过程中涉及到排序模型的模型选择、特征工程、模型训练和模型预测流程。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，进一步地，所述排序模型选择中，选择可体现特征权重的排序模型Model，如LR模型；LR模型公式：

上式中，x表示特征Feature，xi表示某一个特征值，wi表示该特征对应的特征权重。经过对所有特征值feature_value进行归一化后，特征值域空间压缩为[0,1]，对LR模型进行训练，获得所有特征Feature对应的特征权重w，越高权重的特征对于模型推理影响越大。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，进一步地，在特征工程中，进行特征选择、特征预处理、特征构造、特征交叉、特征后处理等环节获得最后待输入排序模型的特征Feature和特征值feature_value。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，进一步地，在模型训练中，将特征Feature输入排序模型Model，通过LR模型训练后，可获得各个输入特征的相对权重，这些特征权重体现了特征Feature对于模型推理的重要程度，这里获得高权重特征Top 50％的特征Feature@Top50％。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，进一步地，在模型预测中，根据模型训练时确定的特征Feature，输入召回结果集中每个物料ID对应的预测特征值feature_predict，获得召回物料ID的预测点击概率click_probility，此时取feature_predict中有值的特征Feature_predcit与Feature@Top50％进行交集，获得每个物料ID预测点击率时的实时高权重特征Feature_predict@Top50％，和经过排序模型预测后的排序位置顺序rank_position。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，在第四步将排序结果传入后处理过程，通过后处理流程获得最终的推荐结果，记录在推荐结果上施加的后处理规则名postprocess_name和物料ID最终处于推荐结果中的位置顺序final_position。

在本发明基于特征权重模型推荐系统的推荐结果可解释性方法中，在第五步获取最终推荐结果中各个物料ID产生的推荐理由，解释推荐结果物料ID存在的原因和相对位置原因，该推荐理由由以下组成：

召回策略名recall_name+召回策略权重recall_weight+相对位置顺序recall_position+高权重特征Top 50％的特征Feature_predict@Top50％+排序位置顺序rank_position+后处理规则名postprocess_name+位置顺序final_position。

毫无疑问，以上只是本发明专利申请的一种实施过程，除此之外还包括其他类似的操作流程和实现方式。总而言之，本发明的保护范围还包括其他对于本领域技术人员显而易见的变化和替代。