SoREX：通过相关自我路径提取实现自解释式社交推荐

《ACM Transactions on Information Systems》：SoREX: Towards Self-Explainable Social Recommendation with Relevant Ego-Path Extraction

社交推荐利用图神经网络（GNN）解决用户-项目交互建模中的数据稀疏性问题，但缺乏可解释性。本文提出SoREX框架，通过双塔结构联合优化社交信号和用户-项目交互，并创新性地从目标用户的自有网络中提取多跳自我路径，进行因子特性和候选感知的自有路径子集分析，实现预测结果的可解释性，并在多个基准数据集上验证其有效性。

　　

摘要

社交推荐在利用社交网络解决用户-物品交互建模中的数据稀疏性问题方面已被证明是有效的。最近图神经网络（GNN）的集成进一步提高了现代社交推荐算法的预测准确性。然而，许多基于GNN的社交推荐方法缺乏为其预测提供有意义解释的能力。在这项研究中，我们通过引入SoREX这一自解释性的基于GNN的社交推荐框架来应对这一挑战。SoREX采用了一个双塔框架，并通过朋友推荐来增强该框架的功能，分别独立地对社交关系和用户-物品交互进行建模，同时联合优化一个辅助任务以强化社交信号。为了提供解释，我们提出了一种新颖的自我路径提取方法。该方法将目标用户的自我网络转换为一组多跳自我路径，从中提取特定于因素和候选项的自我路径子集作为解释。这一过程通过复杂的子结构分析，有助于总结不同候选项之间的详细比较解释。此外，我们还进行了解释的重新聚合，以明确地将解释与下游预测相关联，从而使我们的框架具有内在的自解释性。在四个广泛采用的基准数据集上进行的全面实验验证了SoREX在预测准确性方面的有效性。此外，定性和定量分析也证实了SoREX中提取的解释的有效性。我们的代码和数据可在以下链接获取：https://github.com/antman9914/SoREX。