本文探讨了在推荐系统中增加解释性的重要性，介绍了基于规则、检索、嵌入式和封装式四种方法来构建可解释推荐系统。通过提高系统的可解释性，可以增强用户信任度和透明度。文中提到了Microsoft Concept Graph和多视角学习等技术在构建深度可解释网络中的应用，并利用增强学习框架来优化解释质量和模型的解释能力。
毕设的开题工作已经开始进行了，题目是“基于学术大数据分析的导师推荐系统”。之前和学长讨论了一下，觉得在进行推荐之后，如何得到用户反馈，如何了解推荐的效果是一个需要解决的问题。基于这个问题，学姐给出了一个方向，就是将推荐系统设计成可解释推荐系统，一次得到交互和反馈。
今天一大早，开始自学可解释性。主要参考和引用：http://www.sohu.com/a/279581943_133098?qq-pf-to=pcqq.c2c
以下为正文。
目的：在给用户进行相关推荐的时候，添加解释和推荐原因是十分有必要的。通过提高系统的可解释性，构建可解释系统，为用户提供“推荐+解释”的组合，从而优化推荐结果，提高系统可信任度和透明度。
流程：
基于规则：是指由解释方法设计者事先给定一些简单模板（例如“N个微博用户都喜欢这个商品”），
最低0.47元/天 解锁文章
扫一扫
757
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
